Fugu-MT 論文翻訳(概要): Effective Series Decomposition and Components Learning for Time Series Generation

論文の概要: Effective Series Decomposition and Components Learning for Time Series Generation

arxiv url: http://arxiv.org/abs/2511.00747v1
Date: Sun, 02 Nov 2025 00:15:12 GMT
ステータス: 翻訳完了
システム内更新日: 2025-11-05 16:37:26.917895
Title: Effective Series Decomposition and Components Learning for Time Series Generation
Title（参考訳）: 時系列生成のための効率的な時系列分解とコンポーネント学習
Authors: Zixuan Ma, Chenfeng Huang,
Abstract要約: 本稿では,時系列生成のための新しいフレームワークである季節トレンド拡散(STDiffusion)を紹介する。 STDiffusionは、確率モデルと高度な学習可能な直列分解技術を統合する。本研究は,STDiffusionが信頼性の高い結果を得ることを示し,その堅牢性と汎用性を強調した。
参考スコア（独自算出の注目度）: 2.4675755217083317
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Time series generation focuses on modeling the underlying data distribution and resampling to produce authentic time series data. Key components, such as trend and seasonality, drive temporal fluctuations, yet many existing approaches fail to employ interpretative decomposition methods, limiting their ability to synthesize meaningful trend and seasonal patterns. To address this gap, we introduce Seasonal-Trend Diffusion (STDiffusion), a novel framework for multivariate time series generation that integrates diffusion probabilistic models with advanced learnable series decomposition techniques, enhancing the interpretability of the generation process. Our approach separates the trend and seasonal learning into distinct blocks: a Multi-Layer Perceptron (MLP) structure captures the trend, while adaptive wavelet distillation facilitates effective multi-resolution learning of seasonal components. This decomposition improves the interpretability of the model on multiple scales. In addition, we designed a comprehensive correction mechanism aimed at ensuring that the generated components exhibit a high degree of internal consistency and preserve meaningful interrelationships with one another. Our empirical studies on eight real-world datasets demonstrate that STDiffusion achieves state-of-the-art performance in time series generation tasks. Furthermore, we extend the model's application to multi-window long-sequence time series generation, which delivered reliable results and highlighted its robustness and versatility.
Abstract（参考訳）: 時系列生成は、実際の時系列データを生成するために、基礎となるデータ分散と再サンプリングをモデル化することに焦点を当てる。傾向や季節性といった重要な要素は時間的変動を引き起こすが、多くの既存手法は解釈的分解法を採用しず、意味のある傾向や季節パターンを合成する能力を制限する。このギャップに対処するため,多変量時系列生成のための新しいフレームワークSTDiffusionを導入する。このフレームワークは,拡散確率モデルと高度に学習可能な直列分解技術を統合し,生成プロセスの解釈可能性を高める。マルチ層パーセプトロン (MLP) 構造は傾向を捉え, 適応ウェーブレット蒸留は季節成分の効率的な多段階学習を促進する。この分解により、モデルの複数のスケールでの解釈可能性が改善される。さらに,生成したコンポーネントが高い内部整合性を示し,相互に有意義な相互関係を維持することを目的とした包括的補正機構を設計した。実世界の8つのデータセットに関する実証研究は,STDiffusionが時系列生成タスクにおいて最先端のパフォーマンスを達成することを示す。さらに,モデルの適用範囲をマルチウィンドウ長周期時系列生成に拡張し,信頼性の高い結果を提供し,その堅牢性と汎用性を強調した。

関連論文リスト

UniDiff: A Unified Diffusion Framework for Multimodal Time Series Forecasting [90.47915032778366]
マルチモーダル時系列予測のための統合拡散フレームワークUniDiffを提案する。コアには統一的で並列な融合モジュールがあり、単一のクロスアテンション機構がタイムスタンプからの構造化情報とテキストからのセマンティックコンテキストを統合する。 8つの領域にわたる実世界のベンチマークデータセットの実験は、提案したUniDiffモデルが最先端のパフォーマンスを達成することを示す。
論文参考訳（メタデータ） (2025-12-08T05:36:14Z)
A Unified Frequency Domain Decomposition Framework for Interpretable and Robust Time Series Forecasting [81.73338008264115]
時系列予測の現在のアプローチは、時間領域であれ周波数領域であれ、主に線形層やトランスフォーマーに基づいたディープラーニングモデルを使用する。本稿では,多種多様な時系列を数学的に抽象化する統合周波数領域分解フレームワークFIREを提案する。火は長期予測ベンチマークで最先端のモデルを一貫して上回る。
論文参考訳（メタデータ） (2025-10-11T09:59:25Z)
TIMED: Adversarial and Autoregressive Refinement of Diffusion-Based Time Series Generation [0.31498833540989407]
TIMEDは、フォワード-リバース拡散プロセスを通じてグローバル構造をキャプチャする統合生成フレームワークである。特徴空間における実および合成分布をさらに整合させるため、TIMEDは最大平均離散性(MMD)損失を取り入れている。我々は、TIMEDが最先端の生成モデルよりも現実的で時間的に一貫性のあるシーケンスを生成することを示す。
論文参考訳（メタデータ） (2025-09-23T23:05:40Z)
CHIME: Conditional Hallucination and Integrated Multi-scale Enhancement for Time Series Diffusion Model [6.893910847034251]
CHIMEは、時系列拡散モデルのための条件付き幻覚と統合されたマルチスケール拡張フレームワークである。時系列の分解された特徴をキャプチャし、生成されたサンプルと元のサンプルの間のドメイン内分布のアライメントを達成する。さらに,時間的特徴の移動を可能にする条件付き認知プロセスにおいて,特徴幻覚モジュールを導入する。
論文参考訳（メタデータ） (2025-06-04T02:34:09Z)
MFRS: A Multi-Frequency Reference Series Approach to Scalable and Accurate Time-Series Forecasting [51.94256702463408]
時系列予測は、周波数の異なる周期特性から導かれる。マルチ周波数参照系列相関解析に基づく新しい時系列予測手法を提案する。主要なオープンデータセットと合成データセットの実験は、最先端のパフォーマンスを示している。
論文参考訳（メタデータ） (2025-03-11T11:40:14Z)
Ister: Inverted Seasonal-Trend Decomposition Transformer for Explainable Multivariate Time Series Forecasting [10.32586981170693]
Inverted Seasonal-Trend Decomposition Transformer (Ister) 本稿では,解釈可能性,計算効率,予測精度を向上させる新しいDotアテンション機構を提案する。 Isterはコンポーネントのコントリビューションを直感的に視覚化し、モデルの意思決定プロセスに光を流し、予測結果の透明性を高める。
論文参考訳（メタデータ） (2024-12-25T06:37:19Z)
A Decomposition Modeling Framework for Seasonal Time-Series Forecasting [0.0]
時系列は複雑な長期依存関係を示す。本稿では、時系列予測のためのMSSD(Multi-scale Seasonal Decomposition Model)を提案する。
論文参考訳（メタデータ） (2024-12-12T01:37:25Z)
Conditional Denoising Meets Polynomial Modeling: A Flexible Decoupled Framework for Time Series Forecasting [5.770377200028654]
本稿では,複雑な時間パターンをモデル化するための条件記述型多項式モデリング(CDPM)フレームワークを提案する。結合した時系列をモデル化する代わりに、CDPMはそれを傾向と季節的な要素に分解し、個別にモデル化する。スムーズなトレンドコンポーネントに対しては、歴史的依存関係を組み込んで線形モデルを強化するモジュールが提案されている。
論文参考訳（メタデータ） (2024-10-17T06:20:43Z)
PDETime: Rethinking Long-Term Multivariate Time Series Forecasting from the perspective of partial differential equations [49.80959046861793]
本稿では,ニューラルPDEソルバの原理に着想を得た新しいLMTFモデルであるPDETimeを提案する。 7つの異なる時間的実世界のLMTFデータセットを用いた実験により、PDETimeがデータ固有の性質に効果的に適応できることが判明した。
論文参考訳（メタデータ） (2024-02-25T17:39:44Z)
Attractor Memory for Long-Term Time Series Forecasting: A Chaos Perspective [63.60312929416228]
textbftextitAttraosはカオス理論を長期時系列予測に取り入れている。本研究では,AttraosがPatchTSTと比較して,パラメータの12分の1しか持たない主流データセットやカオスデータセットにおいて,LTSF法よりも優れていることを示す。
論文参考訳（メタデータ） (2024-02-18T05:35:01Z)
Multi-scale Attention Flow for Probabilistic Time Series Forecasting [68.20798558048678]
マルチスケールアテンション正規化フロー(MANF)と呼ばれる非自己回帰型ディープラーニングモデルを提案する。我々のモデルは累積誤差の影響を回避し、時間の複雑さを増大させない。本モデルは,多くの多変量データセット上での最先端性能を実現する。
論文参考訳（メタデータ） (2022-05-16T07:53:42Z)
Improving Robustness on Seasonality-Heavy Multivariate Time Series Anomaly Detection [2.2559617939136505]
本稿では,時系列データにおけるロバスト異常検出(AD)の課題について考察する。本稿では,季節・汚染データに対するロバスト性向上に向けた新たなアプローチを提案する。我々は、このモデルが複雑な季節パターンに対してより堅牢な振る舞いを示すだけでなく、トレーニングデータ汚染に対する抵抗も増大する広範囲な実験を行う。
論文参考訳（メタデータ） (2020-07-25T01:32:00Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。