論文の概要: UniTS: Unified Time Series Generative Model for Remote Sensing

• arxiv url: http://arxiv.org/abs/2512.04461v1
• Date: Thu, 04 Dec 2025 05:07:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-05 21:11:46.001101
• Title: UniTS: Unified Time Series Generative Model for Remote Sensing
• Title（参考訳）: UniTS:リモートセンシングのための統合時系列生成モデル
• Authors: Yuxiang Zhang, Shunlin Liang, Wenyuan Li, Han Ma, Jianglei Xu, Yichuan Ma, Jiangwei Xie, Wei Li, Mengmeng Zhang, Ran Tao, Xiang-Gen Xia,
• Abstract要約: Unified Time Series Generative Model (UniTS)は、様々な時系列タスクに適用可能な一般的なフレームワークである。 UniTSは、タスク固有の条件のガイダンスの下で、ノイズからターゲットへの進化経路を構築する。 低レベルと高レベルの両方の時系列タスクにおいて、例外的な生成能力と認知能力を示す。
• 参考スコア（独自算出の注目度）: 36.5844767315001
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: One of the primary objectives of satellite remote sensing is to capture the complex dynamics of the Earth environment, which encompasses tasks such as reconstructing continuous cloud-free time series images, detecting land cover changes, and forecasting future surface evolution. However, existing methods typically require specialized models tailored to different tasks, lacking unified modeling of spatiotemporal features across multiple time series tasks. In this paper, we propose a Unified Time Series Generative Model (UniTS), a general framework applicable to various time series tasks, including time series reconstruction, time series cloud removal, time series semantic change detection, and time series forecasting. Based on the flow matching generative paradigm, UniTS constructs a deterministic evolution path from noise to targets under the guidance of task-specific conditions, achieving unified modeling of spatiotemporal representations for multiple tasks. The UniTS architecture consists of a diffusion transformer with spatio-temporal blocks, where we design an Adaptive Condition Injector (ACor) to enhance the model's conditional perception of multimodal inputs, enabling high-quality controllable generation. Additionally, we design a Spatiotemporal-aware Modulator (STM) to improve the ability of spatio-temporal blocks to capture complex spatiotemporal dependencies. Furthermore, we construct two high-quality multimodal time series datasets, TS-S12 and TS-S12CR, filling the gap of benchmark datasets for time series cloud removal and forecasting tasks. Extensive experiments demonstrate that UniTS exhibits exceptional generative and cognitive capabilities in both low-level and high-level time series tasks. It significantly outperforms existing methods, particularly when facing challenges such as severe cloud contamination, modality absence, and forecasting phenological variations.
• Abstract（参考訳）: 衛星リモートセンシングの主な目的の1つは、連続した雲のない時系列画像の再構成、土地被覆の変化の検出、将来の地表の進化の予測といったタスクを含む地球環境の複雑なダイナミクスを捉えることである。 しかし、既存の手法では、複数の時系列タスクにまたがる時空間的特徴の統一的なモデリングが欠如しているため、異なるタスクに適した特殊なモデルを必要とする。 本稿では,時系列再構成,時系列クラウド除去,時系列意味変化検出,時系列予測など,時系列タスクに適用可能な汎用フレームワークUnified Time Series Generative Model (UniTS)を提案する。 フローマッチング生成パラダイムに基づいて、UniTSはタスク固有の条件のガイダンスの下で、ノイズからターゲットへの決定論的進化経路を構築し、複数のタスクに対する時空間表現の統一的なモデリングを実現する。 適応条件インジェクタ (ACor) を設計し,マルチモーダル入力の条件認識を強化し,高品質な制御可能な生成を可能にする。 さらに,複雑な時空間依存を捕捉する時空間ブロックの能力を向上させるために,時空間対応変調器 (STM) を設計する。 さらに,2つの高品質なマルチモーダル時系列データセットTS-S12とTS-S12CRを構築し,時系列クラウド削除と予測タスクのためのベンチマークデータセットのギャップを埋める。 大規模な実験により、UniTSは低レベルと高レベルの両方の時系列タスクにおいて、例外的な生成能力と認知能力を示すことが示された。 雲の汚染、モダリティの欠如、表現学的変動の予測といった課題に直面している場合、既存の手法よりもはるかに優れています。

関連論文リスト

• 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)
• UniSTD: Towards Unified Spatio-Temporal Learning across Diverse Disciplines [64.84631333071728]
  本稿では,時間的モデリングのためのトランスフォーマーベースの統合フレームワークであるbfUnistageを紹介する。 我々の研究は、タスク固有の視覚テキストが時間学習のための一般化可能なモデルを構築することができることを示した。 また、時間的ダイナミクスを明示的に組み込むための時間的モジュールも導入する。
  論文  参考訳（メタデータ） (2025-03-26T17:33:23Z)
• Higher-order Cross-structural Embedding Model for Time Series Analysis [12.35149125898563]
  時系列分析は、医療、金融、センサーネットワークといった様々な分野における重要な応用のために、注目されている。 現在のアプローチでは、時系列内の高次相互作用をモデル化し、時間的あるいは空間的依存関係を別々に学習することに注力しています。 本稿では,時間的視点と空間的視点の両方を協調的にモデル化する新しいフレームワークであるHigh-TS(Higher-order Cross-structural Embedding Model for Time Series)を提案する。
  論文  参考訳（メタデータ） (2024-10-30T12:51:14Z)
• 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)
• UniTS: A Unified Multi-Task Time Series Model [31.675845788410246]
  UniTSは、予測タスクと生成タスクを単一のフレームワークに統合した、統合されたマルチタスク時系列モデルである。 UniTSは、人間の活動センサー、ヘルスケア、エンジニアリング、ファイナンスにまたがる38のデータセットでテストされている。
  論文  参考訳（メタデータ） (2024-02-29T21:25:58Z)
• Unified Training of Universal Time Series Forecasting Transformers [104.56318980466742]
  マスク型ユニバーサル時系列予測変換器(モイライ)について述べる。 Moiraiは、新たに導入された大規模オープンタイムシリーズアーカイブ(LOTSA)で訓練されており、9つのドメインで27億以上の観測が行われた。 Moiraiは、フルショットモデルと比較してゼロショットの予測器として、競争力や優れたパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2024-02-04T20:00:45Z)
• Timer: Generative Pre-trained Transformers Are Large Time Series Models [83.03091523806668]
  本稿では,大規模時系列モデル(LTSM)の早期開発を目的とした。 事前トレーニング中に、最大10億のタイムポイントを持つ大規模なデータセットをキュレートします。 多様なアプリケーションのニーズを満たすため,予測,計算,時系列の異常検出を統一的な生成タスクに変換する。
  論文  参考訳（メタデータ） (2024-02-04T06:55:55Z)
• DCSF: Deep Convolutional Set Functions for Classification of Asynchronous Time Series [5.339109578928972]
  非同期時系列(Asynchronous Time Series)は、すべてのチャンネルが非同期に独立して観察される時系列である。 本稿では,非同期時系列分類タスクにおいて,高度にスケーラブルでメモリ効率のよい新しいフレームワークを提案する。 我々は、定期的にサンプリングされ、完全に観測される時系列の、密接に関連する問題分類のためによく研究されている畳み込みニューラルネットワークを探索する。
  論文  参考訳（メタデータ） (2022-08-24T08:47:36Z)
• 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。