論文の概要: SimDiff: Simpler Yet Better Diffusion Model for Time Series Point Forecasting

• arxiv url: http://arxiv.org/abs/2511.19256v1
• Date: Mon, 24 Nov 2025 16:09:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-25 18:34:25.29648
• Title: SimDiff: Simpler Yet Better Diffusion Model for Time Series Point Forecasting
• Title（参考訳）: SimDiff: 時系列予測のためのもっとシンプルな拡散モデル
• Authors: Hang Ding, Xue Wang, Tian Zhou, Tao Yao,
• Abstract要約: 拡散モデルは近年,時系列予測において有望であることが示されている。 それらはしばしば最先端のポイント推定性能を達成するのに失敗する。 ポイント推定のための一段階のエンドツーエンドフレームワークであるSimDiffを提案する。
• 参考スコア（独自算出の注目度）: 8.141505251306622
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Diffusion models have recently shown promise in time series forecasting, particularly for probabilistic predictions. However, they often fail to achieve state-of-the-art point estimation performance compared to regression-based methods. This limitation stems from difficulties in providing sufficient contextual bias to track distribution shifts and in balancing output diversity with the stability and precision required for point forecasts. Existing diffusion-based approaches mainly focus on full-distribution modeling under probabilistic frameworks, often with likelihood maximization objectives, while paying little attention to dedicated strategies for high-accuracy point estimation. Moreover, other existing point prediction diffusion methods frequently rely on pre-trained or jointly trained mature models for contextual bias, sacrificing the generative flexibility of diffusion models. To address these challenges, we propose SimDiff, a single-stage, end-to-end framework. SimDiff employs a single unified Transformer network carefully tailored to serve as both denoiser and predictor, eliminating the need for external pre-trained or jointly trained regressors. It achieves state-of-the-art point estimation performance by leveraging intrinsic output diversity and improving mean squared error accuracy through multiple inference ensembling. Key innovations, including normalization independence and the median-of-means estimator, further enhance adaptability and stability. Extensive experiments demonstrate that SimDiff significantly outperforms existing methods in time series point forecasting.
• Abstract（参考訳）: 拡散モデルは近年,特に確率論的予測において,時系列予測において有望であることが示されている。 しかし、レグレッションベースの手法と比較して、最先端のポイント推定性能を達成できない場合が多い。 この制限は、分布シフトを追跡するのに十分な文脈バイアスを与えるのが困難であることと、点予測に必要な安定性と精度と出力の多様性のバランスに起因している。 既存の拡散に基づくアプローチは、確率的フレームワークの下でのフルディストリビューション・モデリングに主に焦点をあて、しばしば最大化の目的を持つ一方で、高精度な点推定のための専用の戦略にはほとんど注意を払わない。 さらに、既存の点予測拡散法は、しばしば、文脈バイアスに対する事前訓練または共同訓練された成熟モデルに依存し、拡散モデルの生成的柔軟性を犠牲にする。 これらの課題に対処するため、単一ステージのエンドツーエンドフレームワークであるSimDiffを提案する。 SimDiffは、デノイザーと予測器の両方として機能するように注意深く調整された単一の統合トランスフォーマーネットワークを採用しており、外部のトレーニング済みまたは共同でトレーニングされた回帰器の必要性を排除している。 固有出力の多様性を活用し、複数の推論アンサンブルによる平均2乗誤差精度を向上させることにより、最先端の点推定性能を実現する。 正規化独立や中央値推定器を含む重要な革新は、適応性と安定性をさらに向上させる。 大規模な実験により、SimDiffは時系列の予測において既存の手法を著しく上回っていることが示された。

関連論文リスト

• Improved probabilistic regression using diffusion models [16.918373481904755]
  本研究では,予測分布を非可逆的に学習する確率回帰のための拡散に基づく新しいフレームワークを提案する。 雑音のパラメータ化について検討し,そのトレードオフを解析し,その枠組みを広範囲の回帰タスクで評価する。 いくつかの実験において、本手法は既存のベースラインに対して優れた性能を示し、キャリブレーションされた不確実性推定を提供する。
  論文  参考訳（メタデータ） (2025-10-06T08:36:05Z)
• Bridging the Last Mile of Prediction: Enhancing Time Series Forecasting with Conditional Guided Flow Matching [9.465542901469815]
  Conditional Guided Flow Matching (CGFM) は、補助的な予測モデルから出力を統合することで、フローマッチングを拡張するモデルに依存しないフレームワークである。 CGFMは、歴史的データを条件とガイダンスの両方に取り入れ、一方の条件付きパスを使用し、アフィンパスを用いて経路空間を拡大する。 データセットとベースラインにわたる実験は、CGFMが常に最先端のモデルより優れており、予測が進んでいることを示している。
  論文  参考訳（メタデータ） (2025-07-09T18:03:31Z)
• Consistent World Models via Foresight Diffusion [56.45012929930605]
  我々は、一貫した拡散に基づく世界モデルを学習する上で重要なボトルネックは、最適下予測能力にあると主張している。 本稿では,拡散に基づく世界モデリングフレームワークであるForesight Diffusion(ForeDiff)を提案する。
  論文  参考訳（メタデータ） (2025-05-22T10:01:59Z)
• Series-to-Series Diffusion Bridge Model [8.590453584544386]
  既存の拡散法を包含する包括的フレームワークを提案する。 拡散に基づく新しい時系列予測モデルであるシリーズ・ツー・シリーズ拡散ブリッジモデル(mathrmS2DBM$)を提案する。 実験の結果,$mathrmS2DBM$はポイントツーポイント予測において優れた性能を示すことがわかった。
  論文  参考訳（メタデータ） (2024-11-07T07:37:34Z)
• Channel-aware Contrastive Conditional Diffusion for Multivariate Probabilistic Time Series Forecasting [19.383395337330082]
  本稿では,CCDM(Contrastive Conditional Diffusion)モデルを提案する。 提案したCCDMは,現在最先端の拡散予測器と比較して優れた予測能力を示すことができる。
  論文  参考訳（メタデータ） (2024-10-03T03:13:15Z)
• When Rigidity Hurts: Soft Consistency Regularization for Probabilistic Hierarchical Time Series Forecasting [69.30930115236228]
  確率的階層的時系列予測は時系列予測の重要な変種である。 ほとんどの手法は点予測に焦点を絞っており、確率的確率分布を十分に調整していない。 ProFHiTは,階層全体の予測分布を共同でモデル化する完全確率的階層予測モデルである。
  論文  参考訳（メタデータ） (2023-10-17T20:30:16Z)
• When Rigidity Hurts: Soft Consistency Regularization for Probabilistic Hierarchical Time Series Forecasting [69.30930115236228]
  確率的階層的時系列予測は時系列予測の重要な変種である。 ほとんどの手法は点予測に焦点を絞っており、確率的確率分布を十分に調整していない。 ProFHiTは,階層全体の予測分布を共同でモデル化する完全確率的階層予測モデルである。
  論文  参考訳（メタデータ） (2022-06-16T06:13:53Z)
• Learning Interpretable Deep State Space Model for Probabilistic Time Series Forecasting [98.57851612518758]
  確率的時系列予測は、その歴史に基づいて将来の分布を推定する。 本稿では,非線形エミッションモデルと遷移モデルとをネットワークによってパラメータ化した,確率的時系列予測のための深部状態空間モデルを提案する。 実験では,我々のモデルが正確かつ鋭い確率予測を生成することを示す。
  論文  参考訳（メタデータ） (2021-01-31T06:49:33Z)
• Unlabelled Data Improves Bayesian Uncertainty Calibration under Covariate Shift [100.52588638477862]
  後続正則化に基づく近似ベイズ推定法を開発した。 前立腺癌の予後モデルを世界規模で導入する上で,本手法の有用性を実証する。
  論文  参考訳（メタデータ） (2020-06-26T13:50:19Z)

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。