論文の概要: MN-TSG:Continuous Time Series Generation with Irregular Observations

• arxiv url: http://arxiv.org/abs/2601.13534v1
• Date: Tue, 20 Jan 2026 02:45:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-21 22:47:23.127248
• Title: MN-TSG:Continuous Time Series Generation with Irregular Observations
• Title（参考訳）: MN-TSG:不規則観測による連続時系列生成
• Authors: Xu Zhang, Junwei Deng, Chang Xu, Hao Li, Jiang Bian,
• Abstract要約: 時系列生成は、医療など幅広い領域において重要な役割を果たす。 既存の手法の多くは、定期的にサンプリングされた観測と固定された出力の解決を前提としており、実世界のシナリオとよく一致しない。 このミスマッチは臨床モニタリングのようなアプリケーションでは特に問題であり、不規則な測定は連続かつ高解像度の時系列を必要とする下流タスクをサポートする必要がある。 我々は,MN-TSGを提案する。MN-TSGは,Mixture-of-Experts(MoE)ベースのNCDEを探索し,それらを不規則かつ連続的な生成タスクのための既存のTSGモデルと統合するフレームワークである。
• 参考スコア（独自算出の注目度）: 32.287177516527684
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Time series generation (TSG) plays a critical role in a wide range of domains, such as healthcare. However, most existing methods assume regularly sampled observations and fixed output resolutions, which are often misaligned with real-world scenarios where data are irregularly sampled and sparsely observed. This mismatch is particularly problematic in applications such as clinical monitoring, where irregular measurements must support downstream tasks requiring continuous and high-resolution time series. Neural Controlled Differential Equations (NCDEs) have shown strong potential for modeling irregular time series, yet they still face challenges in capturing complex dynamic temporal patterns and supporting continuous TSG. To address these limitations, we propose MN-TSG, a novel framework that explores Mixture-of-Experts (MoE)-based NCDEs and integrates them with existing TSG models for irregular and continuous generation tasks. The core of MN-TSG lies in a MoE-NCDE architecture with dynamically parameterized expert functions and a decoupled design that facilitates more effective optimization of MoE dynamics. Furthermore, we leverage existing TSG models to learn the joint distribution over the mixture of experts and the generated time series. This enables the framework not only to generate new samples, but also to produce appropriate expert configurations tailored to each sample, thereby supporting refined continuous TSG. Extensive experiments on ten public and synthetic datasets demonstrate the effectiveness of MN-TSG, consistently outperforming strong TSG baselines on both irregular-to-regular and irregular-to-continuous generation tasks.
• Abstract（参考訳）: 時系列生成(TSG)は、医療など幅広い分野において重要な役割を果たす。 しかし、既存のほとんどの手法は、定期的にサンプリングされた観測と固定された出力の解像度を仮定しており、しばしばデータが不規則にサンプリングされ、わずかに観察される現実のシナリオと一致しない。 このミスマッチは臨床モニタリングのようなアプリケーションでは特に問題であり、不規則な測定は連続かつ高解像度の時系列を必要とする下流タスクをサポートする必要がある。 ニューラル制御微分方程式(NCDE)は、不規則な時系列をモデル化する強力な可能性を示しているが、複雑な動的時間パターンをキャプチャし、連続TSGをサポートするという課題に直面している。 これらの制約に対処するために,MN-TSGを提案する。MN-TSGはMixture-of-Experts(MoE)ベースのNCDEを探索し,不規則かつ連続的な生成タスクのための既存のTSGモデルと統合する新しいフレームワークである。 MN-TSGのコアは、動的パラメータ化されたエキスパート関数と、より効率的なMoEダイナミクスの最適化を容易にする分離設計を備えたMoE-NCDEアーキテクチャにある。 さらに、既存のTSGモデルを利用して、専門家と生成された時系列の混合による共同分布を学習する。 これにより、フレームワークは新たなサンプルを生成するだけでなく、各サンプルに合わせて適切な専門家構成を生成することができ、改良された連続TSGをサポートすることができる。 10の公開データセットと合成データセットに対する大規模な実験では、MN-TSGの有効性が示され、不規則から規則へおよび不規則から連続的な生成タスクにおいて、強いTSGベースラインを一貫して上回っている。

関連論文リスト

• DG-STMTL: A Novel Graph Convolutional Network for Multi-Task Spatio-Temporal Traffic Forecasting [0.0]
  正確な予測の鍵となる課題は、複雑な時間的依存関係をモデル化し、データ固有のダイナミクスに適応する方法である。 従来のグラフコンテンポラルネットワーク(GCN)は、バイアスや学習可能なパターンを導入する静的な隣接行列に悩まされることが多い。 本研究では,新しいMTLフレームワークDGS-TLTM(Dynamic Group-wise S-temporal Multi-Temporal Learning)を提案する。
  論文  参考訳（メタデータ） (2025-04-10T15:00:20Z)
• GenIAS: Generator for Instantiating Anomalies in time Series [54.959865643340535]
  可変オートエンコーダを用いた時系列異常検出(TSAD)のための生成モデルを開発した。 GenIASはTSADタスクのための多種多様な現実的な合成異常を生成するように設計されている。 実験の結果,GenIASは従来型および深部異常検出モデル17より一貫して優れていた。
  論文  参考訳（メタデータ） (2025-02-12T10:10:04Z)
• Time-SSM: Simplifying and Unifying State Space Models for Time Series Forecasting [22.84798547604491]
  状態空間モデル(SSM)は、基底関数の集合を用いて連続系を近似し、それらを離散化して入力データを処理する。 本稿では,SSMを時系列データに適用するためのより直感的で汎用的なガイダンスを提供する,動的スペクトル演算子(Dynamic Spectral Operator)と呼ばれる新しい理論フレームワークを提案する。 パラメータの7分の1しか持たない新しいSSM基盤モデルであるTime-SSMを紹介する。
  論文  参考訳（メタデータ） (2024-05-25T17:42:40Z)
• A Poisson-Gamma Dynamic Factor Model with Time-Varying Transition Dynamics [51.147876395589925]
  非定常PGDSは、基礎となる遷移行列が時間とともに進化できるように提案されている。 後続シミュレーションを行うために, 完全共役かつ効率的なギブスサンプリング装置を開発した。 実験により,提案した非定常PGDSは,関連するモデルと比較して予測性能が向上することを示した。
  論文  参考訳（メタデータ） (2024-02-26T04:39:01Z)
• Attractor Memory for Long-Term Time Series Forecasting: A Chaos Perspective [63.60312929416228]
  textbftextitAttraosはカオス理論を長期時系列予測に取り入れている。 本研究では,AttraosがPatchTSTと比較して,パラメータの12分の1しか持たない主流データセットやカオスデータセットにおいて,LTSF法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2024-02-18T05:35:01Z)
• Dynamic Gaussian Mixture based Deep Generative Model For Robust Forecasting on Sparse Multivariate Time Series [43.86737761236125]
  本研究では,孤立した特徴表現ではなく,潜在クラスタの遷移を追跡する新しい生成モデルを提案する。 新たに設計された動的ガウス混合分布が特徴であり、クラスタリング構造のダイナミクスを捉えている。 帰納的解析を可能にするために構造化推論ネットワークも設計されている。
  論文  参考訳（メタデータ） (2021-03-03T04:10:07Z)

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。