論文の概要: TimeMar: Multi-Scale Autoregressive Modeling for Unconditional Time Series Generation

• arxiv url: http://arxiv.org/abs/2601.11184v1
• Date: Fri, 16 Jan 2026 11:00:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-19 20:21:50.461951
• Title: TimeMar: Multi-Scale Autoregressive Modeling for Unconditional Time Series Generation
• Title（参考訳）: TimeMar:無条件時系列生成のためのマルチスケール自動回帰モデリング
• Authors: Xiangyu Xu, Qingsong Zhong, Jilin Hu,
• Abstract要約: 時系列のための構造不整合型マルチスケール生成フレームワークを提案する。 提案手法は,複数の時間分解能において,シーケンスを離散トークンに符号化する。 提案手法は,既存の手法よりも高品質な時系列を生成することを示す。
• 参考スコア（独自算出の注目度）: 11.455232661227313
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Generative modeling offers a promising solution to data scarcity and privacy challenges in time series analysis. However, the structural complexity of time series, characterized by multi-scale temporal patterns and heterogeneous components, remains insufficiently addressed. In this work, we propose a structure-disentangled multiscale generation framework for time series. Our approach encodes sequences into discrete tokens at multiple temporal resolutions and performs autoregressive generation in a coarse-to-fine manner, thereby preserving hierarchical dependencies. To tackle structural heterogeneity, we introduce a dual-path VQ-VAE that disentangles trend and seasonal components, enabling the learning of semantically consistent latent representations. Additionally, we present a guidance-based reconstruction strategy, where coarse seasonal signals are utilized as priors to guide the reconstruction of fine-grained seasonal patterns. Experiments on six datasets show that our approach produces higher-quality time series than existing methods. Notably, our model achieves strong performance with a significantly reduced parameter count and exhibits superior capability in generating high-quality long-term sequences. Our implementation is available at https://anonymous.4open.science/r/TimeMAR-BC5B.
• Abstract（参考訳）: 生成モデリングは、時系列分析におけるデータの不足とプライバシの課題に対する有望な解決策を提供する。 しかし、マルチスケールの時間パターンと異種成分を特徴とする時系列の構造的複雑さは、未解決のままである。 本研究では,時系列生成のための構造不整合型マルチスケール生成フレームワークを提案する。 提案手法では,複数の時間分解能でシーケンスを離散トークンにエンコードし,粗い方法で自己回帰生成を行い,階層的依存関係を保存する。 構造的不均一性に対処するために、トレンドと季節成分をアンタングルするデュアルパスVQ-VAEを導入し、意味論的に一貫した潜在表現の学習を可能にする。 さらに, 詳細な季節パターンの復元を導くために, 季節信号の粗さを事前に活用する誘導型再建戦略を提案する。 6つのデータセットの実験から,本手法は既存の手法よりも高品質な時系列を生成することが示された。 特に,本モデルではパラメータ数を大幅に削減し,高品質な長期配列を生成する上で優れた性能を示す。 実装はhttps://anonymous.4open.science/r/TimeMAR-BC5Bで公開しています。

関連論文リスト

• TSGDiff: Rethinking Synthetic Time Series Generation from a Pure Graph Perspective [6.771711398105306]
  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。
  論文  参考訳（メタデータ） (2025-11-15T11:58:25Z)
• TimeFlow: Towards Stochastic-Aware and Efficient Time Series Generation via Flow Matching Modeling [2.74279932215302]
  時系列データは、下流の時系列マイニングタスクを幅広くサポートするため、重要な研究トピックとして浮上している。 エンコーダのみのアーキテクチャを統合する新しいフローマッチングフレームワークであるTimeFlowを提案する。 私たちのモデルは、生成品質、多様性、効率において、一貫して強力なベースラインを上回ります。
  論文  参考訳（メタデータ） (2025-11-11T08:28:26Z)
• Kairos: Towards Adaptive and Generalizable Time Series Foundation Models [27.076542021368056]
  時系列基礎モデル (TSFM) は時系列解析の強力なパラダイムとして登場してきた。 動的パッチトークンとインスタンス適応型位置埋め込みを統合した,柔軟なTSFMフレームワークであるKairosを提案する。 Kairosは2つの共通ゼロショットベンチマークのパラメータをはるかに少なくして、優れたパフォーマンスを実現している。
  論文  参考訳（メタデータ） (2025-09-30T06:02:26Z)
• Time Series Generation Under Data Scarcity: A Unified Generative Modeling Approach [7.631288333466648]
  データ・スカース・セッティングにおける主要な生成モデルを評価するための大規模な研究を初めて行った。 本稿では,いくつかの例を用いて高忠実度時系列を合成できる拡散型統合生成フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-05-26T18:39:04Z)
• Generative Models for Long Time Series: Approximately Equivariant Recurrent Network Structures for an Adjusted Training Scheme [4.327763441385371]
  本稿では,連続層を有する変分オートエンコーダ(VAE)に基づく時系列データに対する簡易かつ効果的な生成モデルを提案する。 本手法では,シーケンス長を漸進的に向上させる適応型トレーニング手法を提案する。 リカレントアーキテクチャを利用することで、モデルはシーケンス長に関係なく定数数のパラメータを保持する。
  論文  参考訳（メタデータ） (2025-05-08T07:52:37Z)
• MFRS: A Multi-Frequency Reference Series Approach to Scalable and Accurate Time-Series Forecasting [51.94256702463408]
  時系列予測は、周波数の異なる周期特性から導かれる。 マルチ周波数参照系列相関解析に基づく新しい時系列予測手法を提案する。 主要なオープンデータセットと合成データセットの実験は、最先端のパフォーマンスを示している。
  論文  参考訳（メタデータ） (2025-03-11T11:40:14Z)
• Timer-XL: Long-Context Transformers for Unified Time Series Forecasting [67.83502953961505]
  我々は時系列の統一予測のための因果変換器Timer-XLを提案する。 大規模な事前トレーニングに基づいて、Timer-XLは最先端のゼロショット性能を達成する。
  論文  参考訳（メタデータ） (2024-10-07T07:27:39Z)
• Parsimony or Capability? Decomposition Delivers Both in Long-term Time Series Forecasting [46.63798583414426]
  時系列予測(LTSF)は時系列分析において重要なフロンティアである。 本研究は, 分析的および実証的な証拠から, 分解が過剰なモデルインフレーションを包含する鍵であることを実証する。 興味深いことに、時系列データの本質的なダイナミクスに分解を合わせることで、提案モデルは既存のベンチマークより優れている。
  論文  参考訳（メタデータ） (2024-01-22T13:15:40Z)
• FormerTime: Hierarchical Multi-Scale Representations for Multivariate Time Series Classification [53.55504611255664]
  formerTimeは、多変量時系列分類タスクの分類能力を改善する階層的表現モデルである。 1)時系列データから階層的なマルチスケール表現を学習し、(2)トランスフォーマーと畳み込みネットワークの強さを継承し、(3)自己維持メカニズムによって引き起こされる効率の課題に取り組む。
  論文  参考訳（メタデータ） (2023-02-20T07:46:14Z)
• 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)

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。