論文の概要: TimeFlow: Towards Stochastic-Aware and Efficient Time Series Generation via Flow Matching Modeling

• arxiv url: http://arxiv.org/abs/2511.07968v2
• Date: Wed, 19 Nov 2025 16:01:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-20 13:41:21.056246
• Title: TimeFlow: Towards Stochastic-Aware and Efficient Time Series Generation via Flow Matching Modeling
• Title（参考訳）: TimeFlow:フローマッチングモデリングによる確率的認識と効率的な時系列生成を目指して
• Authors: He Panjing, Cheng Mingyue, Li Li, Zhang XiaoHan,
• Abstract要約: 時系列データは、下流の時系列マイニングタスクを幅広くサポートするため、重要な研究トピックとして浮上している。 エンコーダのみのアーキテクチャを統合する新しいフローマッチングフレームワークであるTimeFlowを提案する。 私たちのモデルは、生成品質、多様性、効率において、一貫して強力なベースラインを上回ります。
• 参考スコア（独自算出の注目度）: 2.74279932215302
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Generating high-quality time series data has emerged as a critical research topic due to its broad utility in supporting downstream time series mining tasks. A major challenge lies in modeling the intrinsic stochasticity of temporal dynamics, as real-world sequences often exhibit random fluctuations and localized variations. While diffusion models have achieved remarkable success, their generation process is computationally inefficient, often requiring hundreds to thousands of expensive function evaluations per sample. Flow matching has emerged as a more efficient paradigm, yet its conventional ordinary differential equation (ODE)-based formulation fails to explicitly capture stochasticity, thereby limiting the fidelity of generated sequences. By contrast, stochastic differential equation (SDE) are naturally suited for modeling randomness and uncertainty. Motivated by these insights, we propose TimeFlow, a novel SDE-based flow matching framework that integrates a encoder-only architecture. Specifically, we design a component-wise decomposed velocity field to capture the multi-faceted structure of time series and augment the vanilla flow-matching optimization with an additional stochastic term to enhance representational expressiveness. TimeFlow is flexible and general, supporting both unconditional and conditional generation tasks within a unified framework. Extensive experiments across diverse datasets demonstrate that our model consistently outperforms strong baselines in generation quality, diversity, and efficiency.
• Abstract（参考訳）: 下流の時系列マイニングタスクをサポートするため,高品質な時系列データの生成が重要な研究課題となっている。 現実世界の列はしばしばランダムなゆらぎと局所的な変動を示すので、時間力学の内在的確率性をモデル化することが大きな課題である。 拡散モデルは非常に成功したが、それらの生成プロセスは計算的に非効率であり、1サンプルあたり数百から数千の高価な関数評価を必要とすることが多い。 フローマッチングはより効率的なパラダイムとして登場したが、従来の常微分方程式(ODE)に基づく定式化では確率性を明示的に捉えることができず、それによって生成されたシーケンスの忠実さが制限される。 対照的に、確率微分方程式(SDE)は自然にランダム性と不確実性をモデル化するのに適している。 これらの知見に触発されて、エンコーダのみのアーキテクチャを統合する新しいSDEベースのフローマッチングフレームワークであるTimeFlowを提案する。 具体的には、成分分解速度場を設計し、時系列の多面構造を捕捉し、バニラフローマッチング最適化を、表現表現性を高めるために追加の確率項で拡張する。 TimeFlowは柔軟で汎用的であり、統一されたフレームワーク内で条件のないタスクと条件付きタスクの両方をサポートする。 多様なデータセットにわたる大規模な実験により、我々のモデルは、生成品質、多様性、効率において、一貫して強力なベースラインを上回ります。

関連論文リスト

• Modeling Time Series Dynamics with Fourier Ordinary Differential Equations [5.156484100374059]
  FODEはFourierドメインに動的を埋め込むアプローチです。 FODEは、時間領域において解明され続けるグローバルなパターンと周期的な振舞いを明らかにする。 様々な時系列データセットの実験により、FODEは精度と効率の両面で既存の手法より優れていることが示された。
  論文  参考訳（メタデータ） (2025-10-05T10:27:45Z)
• 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)
• Dynamical Diffusion: Learning Temporal Dynamics with Diffusion Models [71.63194926457119]
  動的拡散(DyDiff, Dynamical Diffusion)は, 時間的に意識された前と逆のプロセスを含む理論的に健全なフレームワークである。 科学的時間的予測、ビデオ予測、時系列予測に関する実験は、動的拡散が時間的予測タスクのパフォーマンスを一貫して改善することを示した。
  論文  参考訳（メタデータ） (2025-03-02T16:10:32Z)
• Trajectory Flow Matching with Applications to Clinical Time Series Modeling [77.58277281319253]
  Trajectory Flow Matching (TFM) は、シミュレーションのない方法でニューラルSDEを訓練し、ダイナミックスを通してバックプロパゲーションをバイパスする。 絶対的性能と不確実性予測の観点から,3つの臨床時系列データセットの性能向上を実証した。
  論文  参考訳（メタデータ） (2024-10-28T15:54:50Z)
• TimeDiT: General-purpose Diffusion Transformers for Time Series Foundation Model [11.281386703572842]
  TimeDiTは時間依存性学習と確率的サンプリングを組み合わせた拡散トランスフォーマーモデルである。 TimeDiTは、さまざまなタスクにわたるトレーニングと推論プロセスを調和させるために、統一的なマスキングメカニズムを採用している。 我々の体系的評価は、ゼロショット/ファインチューニングによる予測と計算という基本的なタスクにおいて、TimeDiTの有効性を示す。
  論文  参考訳（メタデータ） (2024-09-03T22:31:57Z)
• On the Trajectory Regularity of ODE-based Diffusion Sampling [79.17334230868693]
  拡散に基づく生成モデルは微分方程式を用いて、複素データ分布と抽出可能な事前分布の間の滑らかな接続を確立する。 本稿では,拡散モデルのODEに基づくサンプリングプロセスにおいて,いくつかの興味深い軌道特性を同定する。
  論文  参考訳（メタデータ） (2024-05-18T15:59:41Z)
• Generative Time Series Forecasting with Diffusion, Denoise, and Disentanglement [51.55157852647306]
  時系列予測は多くのアプリケーションにおいて非常に重要な課題である。 実世界の時系列データが短時間に記録されることが一般的であり、これはディープモデルと限られたノイズのある時系列との間に大きなギャップをもたらす。 本稿では,生成モデルを用いた時系列予測問題に対処し,拡散,雑音,ゆがみを備えた双方向変分自動エンコーダを提案する。
  論文  参考訳（メタデータ） (2023-01-08T12:20:46Z)
• 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)
• Flow-based Spatio-Temporal Structured Prediction of Motion Dynamics [21.24885597341643]
  条件付き流れ (CNF) は、高次元と相互相関を持つ複雑な分布を表現できるフレキシブルな生成モデルである。 本研究では,時間的入力特徴の出力を自己回帰的に正規化する新しい手法としてMotionFlowを提案する。 本稿では,予測,動き予測時系列予測,二分節分割などのタスクに本手法を適用した。
  論文  参考訳（メタデータ） (2021-04-09T14:30:35Z)

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。