論文の概要: TSGDiff: Rethinking Synthetic Time Series Generation from a Pure Graph Perspective

• arxiv url: http://arxiv.org/abs/2511.12174v1
• Date: Sat, 15 Nov 2025 11:58:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-18 14:36:23.657235
• Title: TSGDiff: Rethinking Synthetic Time Series Generation from a Pure Graph Perspective
• Title（参考訳）: TSGDiff:純グラフから見た合成時系列生成の再考
• Authors: Lifeng Shen, Xuyang Li, Lele Long,
• Abstract要約: 拡散モデルはデータ生成において非常に有望であるが、時系列データを生成することは依然として困難である。 グラフベースの観点から時系列生成を再考する新しいフレームワークである textitTSGDiff を提示する。 グラフニューラルネットワークに基づくエンコーダデコーダアーキテクチャを用いて、潜在空間を構築する。
• 参考スコア（独自算出の注目度）: 6.771711398105306
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Diffusion models have shown great promise in data generation, yet generating time series data remains challenging due to the need to capture complex temporal dependencies and structural patterns. In this paper, we present \textit{TSGDiff}, a novel framework that rethinks time series generation from a graph-based perspective. Specifically, we represent time series as dynamic graphs, where edges are constructed based on Fourier spectrum characteristics and temporal dependencies. A graph neural network-based encoder-decoder architecture is employed to construct a latent space, enabling the diffusion process to model the structural representation distribution of time series effectively. Furthermore, we propose the Topological Structure Fidelity (Topo-FID) score, a graph-aware metric for assessing the structural similarity of time series graph representations. Topo-FID integrates two sub-metrics: Graph Edit Similarity, which quantifies differences in adjacency matrices, and Structural Entropy Similarity, which evaluates the entropy of node degree distributions. This comprehensive metric provides a more accurate assessment of structural fidelity in generated time series. Experiments on real-world datasets demonstrate that \textit{TSGDiff} generates high-quality synthetic time series data generation, faithfully preserving temporal dependencies and structural integrity, thereby advancing the field of synthetic time series generation.
• Abstract（参考訳）: 拡散モデルはデータ生成において非常に有望であるが、複雑な時間的依存関係や構造パターンをキャプチャする必要があるため、時系列データの生成は依然として困難である。 本稿では,グラフに基づく時系列生成を再考する新しいフレームワークであるtextit{TSGDiff}を紹介する。 具体的には、時系列を動的グラフとして表現し、フーリエスペクトル特性と時間依存性に基づいてエッジを構築する。 グラフニューラルネットワークに基づくエンコーダデコーダアーキテクチャを用いて遅延空間を構築し、拡散過程が時系列の構造表現分布を効果的にモデル化できるようにする。 さらに,時系列グラフ表現の構造的類似性を評価するためのグラフ対応計量であるトポロジカル構造忠実度(Topo-FID)スコアを提案する。 Topo-FIDは、隣接行列の差を定量化するグラフ編集類似度と、ノード次数分布のエントロピーを評価する構造エントロピー類似度という2つのサブメトリックを統合する。 この包括的計量は、生成された時系列における構造的忠実度をより正確に評価する。 実世界のデータセットに関する実験では、‘textit{TSGDiff} が高品質な合成時系列データ生成を生成し、時間的依存関係と構造的整合性を忠実に保存し、合成時系列生成の分野を前進させることが示されている。

関連論文リスト

• Temporal Attention Evolutional Graph Convolutional Network for Multivariate Time Series Forecasting [2.6138578479379104]
  本稿ではTAEGCN(Temporal Attention Evolutional Graph Convolutional Network)を紹介する。 TAEGCNは、データ内の時間的因果関係と隠れた空間的依存関係を受信する。 METR-LAとPEMS-BAYの2つの公共交通ネットワークデータセットで行った実験結果から,提案モデルの有効性が示された。
  論文  参考訳（メタデータ） (2025-05-01T04:50:00Z)
• Graph Neural Alchemist: An innovative fully modular architecture for time series-to-graph classification [0.0]
  本稿では時系列分類のための新しいグラフニューラルネットワーク(GNN)アーキテクチャを提案する。 時系列を可視グラフとして表現することにより、時系列データ固有の時間的依存関係の両方を符号化することができる。 私たちのアーキテクチャは完全にモジュール化されており、異なるモデルで柔軟な実験を可能にします。
  論文  参考訳（メタデータ） (2024-10-12T00:03:40Z)
• TimeGNN: Temporal Dynamic Graph Learning for Time Series Forecasting [20.03223916749058]
  時系列予測は、科学と工学における重要な現実世界の応用の核心にある。 動的時間グラフ表現を学習するTimeGNNを提案する。 TimeGNNは、他の最先端のグラフベースの手法よりも4倍から80倍高速な推論時間を実現している。
  論文  参考訳（メタデータ） (2023-07-27T08:10:19Z)
• Self-Supervised Temporal Graph learning with Temporal and Structural Intensity Alignment [53.72873672076391]
  時間グラフ学習は、動的情報を用いたグラフベースのタスクのための高品質な表現を生成することを目的としている。 本稿では,時間的および構造的情報の両方を抽出する時間的グラフ学習のためのS2Tという自己教師型手法を提案する。 S2Tは、いくつかのデータセットにおける最先端の競合と比較して、少なくとも10.13%のパフォーマンス改善を実現している。
  論文  参考訳（メタデータ） (2023-02-15T06:36:04Z)
• HyperTime: Implicit Neural Representation for Time Series [131.57172578210256]
  暗黙の神経表現(INR)は、データの正確で解像度に依存しないエンコーディングを提供する強力なツールとして最近登場した。 本稿では、INRを用いて時系列の表現を分析し、再構成精度とトレーニング収束速度の点で異なるアクティベーション関数を比較した。 本稿では,INRを利用して時系列データセット全体の圧縮潜在表現を学習するハイパーネットワークアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2022-08-11T14:05:51Z)
• Learning the Evolutionary and Multi-scale Graph Structure for Multivariate Time Series Forecasting [50.901984244738806]
  時系列の進化的・マルチスケール相互作用をモデル化する方法を示す。 特に、まず、拡張畳み込みと協調して、スケール固有の相関を捉える階層グラフ構造を提供する。 最終的な予測を得るために上記のコンポーネントを統合するために、統合ニューラルネットワークが提供される。
  論文  参考訳（メタデータ） (2022-06-28T08:11:12Z)
• Learning to Reconstruct Missing Data from Spatiotemporal Graphs with Sparse Observations [11.486068333583216]
  本稿では、欠落したデータポイントを再構築するための効果的なモデル学習の課題に取り組む。 我々は,高度にスパースな観測値の集合を与えられた注意に基づくアーキテクチャのクラスを提案し,時間と空間における点の表現を学習する。 技術状況と比較して、我々のモデルは予測エラーを伝播したり、前方および後方の時間依存性をエンコードするために双方向モデルを必要とすることなくスパースデータを処理します。
  論文  参考訳（メタデータ） (2022-05-26T16:40:48Z)
• Towards Generating Real-World Time Series Data [52.51620668470388]
  時系列データ生成のための新しい生成フレームワーク - RTSGANを提案する。 RTSGANは、時系列インスタンスと固定次元潜在ベクトルの間のマッピングを提供するエンコーダデコーダモジュールを学習する。 不足した値の時系列を生成するために、RTSGANに観測埋め込み層と決定・生成デコーダを更に装備する。
  論文  参考訳（メタデータ） (2021-11-16T11:31:37Z)
• Novel Features for Time Series Analysis: A Complex Networks Approach [62.997667081978825]
  時系列データは、気候、経済、医療などいくつかの領域で広く使われている。 最近の概念的アプローチは、複雑なネットワークへの時系列マッピングに依存している。 ネットワーク分析は、異なるタイプの時系列を特徴付けるのに使うことができる。
  論文  参考訳（メタデータ） (2021-10-11T13:46:28Z)
• Connecting the Dots: Multivariate Time Series Forecasting with Graph Neural Networks [91.65637773358347]
  多変量時系列データに特化して設計された汎用グラフニューラルネットワークフレームワークを提案する。 グラフ学習モジュールを用いて,変数間の一方向関係を自動的に抽出する。 提案手法は,4つのベンチマークデータセットのうち3つにおいて,最先端のベースライン手法よりも優れている。
  論文  参考訳（メタデータ） (2020-05-24T04:02:18Z)

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。