論文の概要: Grasynda: Graph-based Synthetic Time Series Generation

• arxiv url: http://arxiv.org/abs/2601.19668v1
• Date: Tue, 27 Jan 2026 14:47:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-28 15:26:51.352901
• Title: Grasynda: Graph-based Synthetic Time Series Generation
• Title（参考訳）: Grasynda: グラフベースの合成時系列生成
• Authors: Luis Amorim, Moises Santos, Paulo J. Azevedo, Carlos Soares, Vitor Cerqueira,
• Abstract要約: Grasyndaは、合成時系列生成のためのグラフベースの新しいアプローチである。 Grasyndaは、他の時系列データ拡張メソッドよりも一貫して優れています。
• 参考スコア（独自算出の注目度）: 2.7120006458149764
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Data augmentation is a crucial tool in time series forecasting, especially for deep learning architectures that require a large training sample size to generalize effectively. However, extensive datasets are not always available in real-world scenarios. Although many data augmentation methods exist, their limitations include the use of transformations that do not adequately preserve data properties. This paper introduces Grasynda, a novel graph-based approach for synthetic time series generation that: (1) converts univariate time series into a network structure using a graph representation, where each state is a node and each transition is represented as a directed edge; and (2) encodes their temporal dynamics in a transition probability matrix. We performed an extensive evaluation of Grasynda as a data augmentation method for time series forecasting. We use three neural network variations on six benchmark datasets. The results indicate that Grasynda consistently outperforms other time series data augmentation methods, including ones used in state-of-the-art time series foundation models. The method and all experiments are publicly available.
• Abstract（参考訳）: データ拡張は、特に大規模なトレーニングサンプルサイズを必要とするディープラーニングアーキテクチャにおいて、時系列予測において重要なツールである。 しかし、大規模なデータセットが現実世界のシナリオで常に利用できるとは限らない。 多くのデータ拡張手法が存在するが、その制限にはデータプロパティを適切に保存しない変換の使用が含まれる。 本稿では,(1)単変量時系列をグラフ表現を用いてネットワーク構造に変換し,各状態をノードとし,各遷移を有向エッジとして表現し,(2)遷移確率行列に時間ダイナミクスをエンコードする,合成時系列生成のための新しいグラフベースのアプローチであるGrasyndaを紹介する。 時系列予測のためのデータ拡張手法としてGrasyndaを広範囲に評価した。 6つのベンチマークデータセットに3つのニューラルネットワークのバリエーションを使用します。 以上の結果から,Grasyndaは最新の時系列基盤モデルなど,他の時系列データ拡張手法より一貫して優れていたことが示唆された。 この方法とすべての実験は一般に公開されている。

関連論文リスト

• TimeAutoDiff: Combining Autoencoder and Diffusion model for time series tabular data synthesizing [13.385264002435145]
  本稿では、遅延拡散モデルのパワーを活用して、合成時系列表データを生成する。 可変オートエンコーダ(VAE)と拡散確率モデル(DDPM)のアイデアを組み合わせることでこの問題に対処する。 textttTimeAutoDiffという名前の私たちのモデルは、(1)汎用性:単一から複数シーケンスのデータセットの幅広い時系列データを処理できる能力など、いくつかの大きな利点があります。
  論文  参考訳（メタデータ） (2024-06-23T06:32:27Z)
• TimeGraphs: Graph-based Temporal Reasoning [64.18083371645956]
  TimeGraphsは階層的時間グラフとして動的相互作用を特徴付ける新しいアプローチである。 提案手法は,コンパクトなグラフベース表現を用いて相互作用をモデル化し,多種多様な時間スケールでの適応推論を可能にする。 我々は,サッカーシミュレータ,抵抗ゲーム,MOMA人間活動データセットなど,複雑でダイナミックなエージェントインタラクションを持つ複数のデータセット上でTimeGraphsを評価する。
  論文  参考訳（メタデータ） (2024-01-06T06:26:49Z)
• Sparse Training of Discrete Diffusion Models for Graph Generation [45.103518022696996]
  SparseDiffは、ほとんど全ての大きなグラフがスパースであるという観察に基づく、新しい拡散モデルである。 エッジのサブセットを選択することで、SparseDiffは、ノイズ発生過程とノイズ発生ネットワーク内のスパースグラフ表現を効果的に活用する。 本モデルでは,小規模・大規模両方のデータセットにおいて,複数のメトリクスにわたる最先端性能を示す。
  論文  参考訳（メタデータ） (2023-11-03T16:50:26Z)
• Temporal Graph Benchmark for Machine Learning on Temporal Graphs [54.52243310226456]
  テンポラルグラフベンチマーク(TGB)は、困難で多様なベンチマークデータセットのコレクションである。 各データセットをベンチマークし、共通のモデルのパフォーマンスがデータセット間で大きく異なることを発見した。 TGBは、再現可能でアクセス可能な時間グラフ研究のための自動機械学習パイプラインを提供する。
  論文  参考訳（メタデータ） (2023-07-03T13:58:20Z)
• Expressing Multivariate Time Series as Graphs with Time Series Attention Transformer [14.172091921813065]
  多変量時系列表現学習のための時系列注意変換器(TSAT)を提案する。 TSATを用いて、エッジ強化された動的グラフの観点から、時系列の時間情報と相互依存の両方を表現している。 TSATは、様々な予測地平線において、最先端の6つのベースライン法より明らかに優れていることを示す。
  論文  参考訳（メタデータ） (2022-08-19T12:25:56Z)
• HyperTime: Implicit Neural Representation for Time Series [131.57172578210256]
  暗黙の神経表現(INR)は、データの正確で解像度に依存しないエンコーディングを提供する強力なツールとして最近登場した。 本稿では、INRを用いて時系列の表現を分析し、再構成精度とトレーニング収束速度の点で異なるアクティベーション関数を比較した。 本稿では,INRを利用して時系列データセット全体の圧縮潜在表現を学習するハイパーネットワークアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2022-08-11T14:05:51Z)
• Attention Augmented Convolutional Transformer for Tabular Time-series [0.9137554315375922]
  時系列分類は、産業データ科学において最も頻繁に実行されるタスクの1つである。 時系列データから表現を学習するための新しいスケーラブルアーキテクチャを提案する。 提案するモデルはエンドツーエンドで,カテゴリ型と連続型の両方の値入力を処理できる。
  論文  参考訳（メタデータ） (2021-10-05T05:20:46Z)
• Time Series is a Special Sequence: Forecasting with Sample Convolution and Interaction [9.449017120452675]
  時系列データ(英: time series)とは、時系列データの一種で、時系列で記録された観測の集合である。 既存のディープラーニング技術では、時系列解析にジェネリックシーケンスモデルを使用しており、そのユニークな性質を無視している。 本稿では,新しいニューラルネットワークアーキテクチャを提案し,時系列予測問題に適用し,時間的モデリングのための複数の解像度でサンプル畳み込みと相互作用を行う。
  論文  参考訳（メタデータ） (2021-06-17T08:15:04Z)
• Connecting the Dots: Multivariate Time Series Forecasting with Graph Neural Networks [91.65637773358347]
  多変量時系列データに特化して設計された汎用グラフニューラルネットワークフレームワークを提案する。 グラフ学習モジュールを用いて,変数間の一方向関係を自動的に抽出する。 提案手法は,4つのベンチマークデータセットのうち3つにおいて,最先端のベースライン手法よりも優れている。
  論文  参考訳（メタデータ） (2020-05-24T04:02:18Z)

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。