論文の概要: DiM-TS: Bridge the Gap between Selective State Space Models and Time Series for Generative Modeling

• arxiv url: http://arxiv.org/abs/2511.18312v1
• Date: Sun, 23 Nov 2025 06:48:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-25 18:34:24.764291
• Title: DiM-TS: Bridge the Gap between Selective State Space Models and Time Series for Generative Modeling
• Title（参考訳）: DiM-TS: 生成モデルのための選択状態空間モデルと時系列間のギャップを橋渡しする
• Authors: Zihao Yao, Jiankai Zuo, Yaying Zhang,
• Abstract要約: 時系列データは、さまざまな分野において重要な役割を果たすが、プライバシーに関する問題に直面している。 そこで,本研究では,モデルが認知過程において重要なパターンを識別する能力を高めるために,Lag Fusion MambaとPermutation Scanning Mambaを提案する。 またDiffusion Mamba for Time Series (DiM-TS)を導入し、時間周期性およびチャネル間相関をよりよく保存する高品質な時系列生成モデルを提案する。
• 参考スコア（独自算出の注目度）: 11.836475971106125
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Time series data plays a pivotal role in a wide variety of fields but faces challenges related to privacy concerns. Recently, synthesizing data via diffusion models is viewed as a promising solution. However, existing methods still struggle to capture long-range temporal dependencies and complex channel interrelations. In this research, we aim to utilize the sequence modeling capability of a State Space Model called Mamba to extend its applicability to time series data generation. We firstly analyze the core limitations in State Space Model, namely the lack of consideration for correlated temporal lag and channel permutation. Building upon the insight, we propose Lag Fusion Mamba and Permutation Scanning Mamba, which enhance the model's ability to discern significant patterns during the denoising process. Theoretical analysis reveals that both variants exhibit a unified matrix multiplication framework with the original Mamba, offering a deeper understanding of our method. Finally, we integrate two variants and introduce Diffusion Mamba for Time Series (DiM-TS), a high-quality time series generation model that better preserves the temporal periodicity and inter-channel correlations. Comprehensive experiments on public datasets demonstrate the superiority of DiM-TS in generating realistic time series while preserving diverse properties of data.
• Abstract（参考訳）: 時系列データは、さまざまな分野において重要な役割を果たすが、プライバシーに関する問題に直面している。 近年,拡散モデルによるデータ合成は有望な解であると見なされている。 しかし、既存の手法は、長い時間的依存関係と複雑なチャネル相互関係を捉えるのに依然として苦労している。 本研究では,Mambaと呼ばれる状態空間モデルのシーケンスモデリング機能を活用し,時系列データ生成への適用性を高めることを目的とする。 まず、状態空間モデルの中核的な制約、すなわち、時間的ラグとチャネルの置換の相関について考慮されていないことを分析する。 この知見に基づいて,本モデルが認知過程において重要なパターンを識別する能力を高めるLag Fusion MambaとPermutation Scanning Mambaを提案する。 理論的解析により、どちらの変種も元のマンバと統一された行列乗法フレームワークを示し、我々の方法のより深い理解を提供することが明らかとなった。 最後に、時間周期性とチャネル間相関をよりよく保存する高品質な時系列生成モデルであるDiffusion Mamba for Time Series (DiM-TS)を導入する。 公開データセットに関する総合的な実験は、データの多様な特性を保ちながら、現実的な時系列を生成する上で、DiM-TSの優位性を実証している。

関連論文リスト

• Time-Correlated Video Bridge Matching [49.94768097995648]
  Time-Correlated Video Bridge Matching (TCVBM) は、Bridge Matching (BM) をビデオ領域の時間関連データシーケンスに拡張するフレームワークである。 TCVBMは、複数の量的指標にまたがって優れた性能を達成し、生成品質の向上と再構成の忠実性を示す。
  論文  参考訳（メタデータ） (2025-10-14T12:35:30Z)
• Time Tracker: Mixture-of-Experts-Enhanced Foundation Time Series Forecasting Model with Decoupled Training Pipelines [5.543238821368548]
  時系列はしばしば、異なる時間帯と領域にまたがる時間パターンに顕著な多様性を示す。 Time Trackerは、精度、モデルの一般化、適応性を予測する際に最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2025-05-21T06:18:41Z)
• General Time-series Model for Universal Knowledge Representation of Multivariate Time-Series data [61.163542597764796]
  周波数領域で異なる時間粒度(または対応する周波数分解能)の時系列が異なる結合分布を示すことを示す。 時間領域と周波数領域の両方からタイムアウェア表現を学習するために,新しいFourierナレッジアテンション機構を提案する。 自己回帰的空白埋め込み事前学習フレームワークを時系列解析に初めて組み込み、生成タスクに依存しない事前学習戦略を実現する。
  論文  参考訳（メタデータ） (2025-02-05T15:20:04Z)
• Retrieval-Augmented Diffusion Models for Time Series Forecasting [19.251274915003265]
  検索時間拡張拡散モデル(RATD)を提案する。 RATDは埋め込みベースの検索プロセスと参照誘導拡散モデルという2つの部分から構成される。 当社のアプローチでは,データベース内の意味のあるサンプルを活用することで,サンプリングを支援し,データセットの利用を最大化することが可能です。
  論文  参考訳（メタデータ） (2024-10-24T13:14:39Z)
• Moirai-MoE: Empowering Time Series Foundation Models with Sparse Mixture of Experts [103.725112190618]
  本稿では,単一入出力プロジェクション層を用いたMoirai-MoEを紹介するとともに,多種多様な時系列パターンのモデリングを専門家の疎結合に委ねる。 39のデータセットに対する大規模な実験は、既存の基盤モデルよりも、分配シナリオとゼロショットシナリオの両方において、Moirai-MoEの優位性を実証している。
  論文  参考訳（メタデータ） (2024-10-14T13:01:11Z)
• TIMBA: Time series Imputation with Bi-directional Mamba Blocks and Diffusion models [0.0]
  時間指向変換器を状態空間モデル(SSM)に置き換えることを提案する。 我々は、拡張表現を実現するために、SSM、グラフニューラルネットワーク、ノード指向変換器を統合するモデルを開発する。
  論文  参考訳（メタデータ） (2024-10-08T11:10:06Z)
• TimeLDM: Latent Diffusion Model for Unconditional Time Series Generation [2.4454605633840143]
  時系列生成は意思決定システムにおいて重要な研究課題である。 最近のアプローチでは、時系列情報をモデル化するために、データ空間での学習に焦点を当てている。 高品質な時系列生成のための新しい遅延拡散モデルであるTimeLDMを提案する。
  論文  参考訳（メタデータ） (2024-07-05T01:47:20Z)
• 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)
• 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)

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。