論文の概要: Pattern-Guided Diffusion Models

• arxiv url: http://arxiv.org/abs/2512.13945v1
• Date: Mon, 15 Dec 2025 22:46:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-17 16:49:26.515306
• Title: Pattern-Guided Diffusion Models
• Title（参考訳）: パターン誘導拡散モデル
• Authors: Vivian Lin, Kuk Jin Jang, Wenwen Si, Insup Lee,
• Abstract要約: パターン誘導拡散モデル(PGDM)を提案する。 PGDMはまずアーキティパル解析を用いてパターンを抽出し、その配列の最も可能性が高いパターンを推定する。 このパターン推定で予測を導くことで、PGDMは既知のパターンの集合に適合するより現実的な予測を行う。
• 参考スコア（独自算出の注目度）: 5.550288052497209
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Diffusion models have shown promise in forecasting future data from multivariate time series. However, few existing methods account for recurring structures, or patterns, that appear within the data. We present Pattern-Guided Diffusion Models (PGDM), which leverage inherent patterns within temporal data for forecasting future time steps. PGDM first extracts patterns using archetypal analysis and estimates the most likely next pattern in the sequence. By guiding predictions with this pattern estimate, PGDM makes more realistic predictions that fit within the set of known patterns. We additionally introduce a novel uncertainty quantification technique based on archetypal analysis, and we dynamically scale the guidance level based on the pattern estimate uncertainty. We apply our method to two well-motivated forecasting applications, predicting visual field measurements and motion capture frames. On both, we show that pattern guidance improves PGDM's performance (MAE / CRPS) by up to 40.67% / 56.26% and 14.12% / 14.10%, respectively. PGDM also outperforms baselines by up to 65.58% / 84.83% and 93.64% / 92.55%.
• Abstract（参考訳）: 拡散モデルでは、多変量時系列から将来のデータを予測できることが示されている。 しかし、データ内に繰り返し現れる構造やパターンを考慮に入れている既存のメソッドはほとんどない。 本稿では、時間的データに固有のパターンを活用し、将来の時間ステップを予測するパターンガイド拡散モデル(PGDM)を提案する。 PGDMはまずアーキティパル解析を用いてパターンを抽出し、その配列の最も可能性が高いパターンを推定する。 このパターン推定で予測を導くことで、PGDMは既知のパターンの集合に適合するより現実的な予測を行う。 また,考古学的分析に基づく新たな不確実性定量化手法を導入し,パターン推定の不確実性に基づいて指導レベルを動的にスケールする。 本手法を2つのよく動機付けられた予測アプリケーションに適用し,視野計測とモーションキャプチャーフレームの予測を行う。 その結果,パターンガイダンスはPGDMの性能(MAE/CRPS)を最大40.67%/56.26%/14.12%/14.10%向上させることがわかった。 PGDMは65.58%/84.83%/93.64%/92.55%でベースラインを上回っている。

関連論文リスト

• A Predictive Approach To Enhance Time-Series Forecasting [6.377828331013327]
  本稿では、時系列イベント予測を強化するアプローチであるFuture-Guided Learningを紹介する。 本手法は2つのモデルから構成される: 重要事象を識別するために将来のデータを解析する検出モデルと、これらの事象を現在のデータに基づいて予測する予測モデルである。 脳波データを用いた発作予測ではAUC-ROCが44.8%増加し,非線形力学系ではMSEが23.4%減少した。
  論文  参考訳（メタデータ） (2024-10-19T21:22:55Z)
• GIFT-Eval: A Benchmark For General Time Series Forecasting Model Evaluation [90.53485251837235]
  時系列基礎モデルはゼロショット予測に優れ、明示的なトレーニングなしで多様なタスクを処理する。 GIFT-Evalは、多様なデータセットに対する評価を促進するための先駆的なベンチマークである。 GIFT-Evalには、144,000の時系列と17700万のデータポイントの23のデータセットが含まれている。
  論文  参考訳（メタデータ） (2024-10-14T11:29:38Z)
• ReAugment: Model Zoo-Guided RL for Few-Shot Time Series Augmentation and Forecasting [74.00765474305288]
  本稿では,時系列データ拡張のための強化学習(RL)の試験的検討を行う。 我々の手法であるReAugmentは、トレーニングセットのどの部分が拡張されるべきか、どのように拡張を行うべきか、RLがプロセスにどのような利点をもたらすのか、という3つの重要な問題に取り組む。
  論文  参考訳（メタデータ） (2024-09-10T07:34:19Z)
• Predictive Churn with the Set of Good Models [61.00058053669447]
  本稿では,予測的不整合という2つの無関係な概念の関連性について考察する。 予測多重性(英: predictive multiplicity)は、個々のサンプルに対して矛盾する予測を生成するモデルである。 2つ目の概念である予測チャーン(英: predictive churn)は、モデル更新前後の個々の予測の違いを調べるものである。
  論文  参考訳（メタデータ） (2024-02-12T16:15:25Z)
• Exploiting Diffusion Prior for Generalizable Dense Prediction [85.4563592053464]
  近年のテキスト・トゥ・イメージ(T2I)拡散モデルでは、既成の高密度予測器では予測できないことがある。 我々は,事前学習したT2Iモデルを用いたパイプラインDMPを,高密度予測タスクの先駆けとして導入する。 限られたドメインのトレーニングデータにもかかわらず、この手法は任意の画像に対して忠実に推定し、既存の最先端のアルゴリズムを超越する。
  論文  参考訳（メタデータ） (2023-11-30T18:59:44Z)
• Feature-weighted Stacking for Nonseasonal Time Series Forecasts: A Case Study of the COVID-19 Epidemic Curves [0.0]
  本研究では,非シーズン時間帯での利用可能性について,予測におけるアンサンブル手法について検討する。 予備予測段階における予測能力を証明する2つの予測モデルと2つのメタ機能からなる重畳アンサンブルを用いて遅延データ融合を提案する。
  論文  参考訳（メタデータ） (2021-08-19T14:44:46Z)
• Back2Future: Leveraging Backfill Dynamics for Improving Real-time Predictions in Future [73.03458424369657]
  公衆衛生におけるリアルタイム予測では、データ収集は簡単で要求の多いタスクである。 過去の文献では「バックフィル」現象とそのモデル性能への影響についてはほとんど研究されていない。 我々は、与えられたモデルの予測をリアルタイムで洗練することを目的とした、新しい問題とニューラルネットワークフレームワークBack2Futureを定式化する。
  論文  参考訳（メタデータ） (2021-06-08T14:48:20Z)
• 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)

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。