論文の概要: A Decomposable Forward Process in Diffusion Models for Time-Series Forecasting

• arxiv url: http://arxiv.org/abs/2601.21812v1
• Date: Thu, 29 Jan 2026 14:55:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-30 16:22:49.91078
• Title: A Decomposable Forward Process in Diffusion Models for Time-Series Forecasting
• Title（参考訳）: 時系列予測のための拡散モデルにおける分解可能フォワード過程
• Authors: Francisco Caldas, Sahil Kumar, Cláudia Soares,
• Abstract要約: 本稿では,スペクトル成分に信号を分解する時系列予測のためのモデルに依存しない前方拡散プロセスを提案する。 成分エネルギーに応じてノイズ注入を行うことで、主周波数に対する高信号対雑音比を維持する。 本稿では,フーリエ変換やウェーブレット変換などのスペクトル分解手法を適用することにより,拡散モデルにより連続的に改善されることを示す。
• 参考スコア（独自算出の注目度）: 2.24303609250571
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: We introduce a model-agnostic forward diffusion process for time-series forecasting that decomposes signals into spectral components, preserving structured temporal patterns such as seasonality more effectively than standard diffusion. Unlike prior work that modifies the network architecture or diffuses directly in the frequency domain, our proposed method alters only the diffusion process itself, making it compatible with existing diffusion backbones (e.g., DiffWave, TimeGrad, CSDI). By staging noise injection according to component energy, it maintains high signal-to-noise ratios for dominant frequencies throughout the diffusion trajectory, thereby improving the recoverability of long-term patterns. This strategy enables the model to maintain the signal structure for a longer period in the forward process, leading to improved forecast quality. Across standard forecasting benchmarks, we show that applying spectral decomposition strategies, such as the Fourier or Wavelet transform, consistently improves upon diffusion models using the baseline forward process, with negligible computational overhead. The code for this paper is available at https://anonymous.4open.science/r/D-FDP-4A29.
• Abstract（参考訳）: 本稿では,周波数成分に信号を分解する時系列予測のためのモデルに依存しない前方拡散プロセスを導入し,季節性などの時間パターンを標準拡散よりも効率的に保存する。 ネットワークアーキテクチャの変更や周波数領域での拡散を直接行う以前の作業とは異なり、提案手法は拡散プロセス自体を変更するだけで、既存の拡散バックボーン(DiffWave, TimeGrad, CSDI)と互換性がある。 成分エネルギーに応じてノイズ注入を行うことで、拡散軌道中における支配周波数の信号対雑音比を高く維持し、長期パターンの回復性を向上させる。 この戦略により、モデルがフォワードプロセスにおいてより長い期間信号構造を維持することができ、予測品質が向上する。 標準予測ベンチマーク全体では,フーリエ変換やウェーブレット変換などのスペクトル分解手法を適用することで,ベースラインフォワードプロセスを用いた拡散モデルの改善が,計算オーバーヘッドを無視できることを示す。 本論文のコードはhttps://anonymous.4open.science/r/D-FDP-4A29で公開されている。

関連論文リスト

• FreqFlow: Long-term forecasting using lightweight flow matching [3.5235875824926346]
  本稿では、周波数領域における条件付きフローマッチングを利用して決定論的MSS予測を行う新しいフレームワークであるFreqFlowを紹介する。 FreqFlowは予測問題をスペクトル領域に変換し、振幅と位相シフトをモデル化する。 実世界のトラフィック速度、ボリューム、フローデータセットに関する実験は、FreqFlowが最先端の予測性能を達成することを実証している。
  論文  参考訳（メタデータ） (2025-11-20T14:50:13Z)
• TAG:Tangential Amplifying Guidance for Hallucination-Resistant Diffusion Sampling [53.61290359948953]
  タンジェンシャル増幅誘導(TAG)は、下層の拡散モデルを変更することなく、軌道信号のみで動作する。 この誘導過程を1次テイラー展開を利用して定式化する。 TAGは、最小限の計算加算で拡散サンプリング忠実度を改善する、プラグアンドプレイのアーキテクチャに依存しないモジュールである。
  論文  参考訳（メタデータ） (2025-10-06T06:53:29Z)
• Wavelet Fourier Diffuser: Frequency-Aware Diffusion Model for Reinforcement Learning [10.270002679268485]
  本稿では、離散ウェーブレット変換を統合してトラジェクトリを低周波成分と高周波成分に分解する拡散型RLフレームワークを提案する。 WFDiffuserは、周波数シフトを効果的に軽減し、スムーズで安定した軌道となり、意思決定性能が向上する。
  論文  参考訳（メタデータ） (2025-09-04T08:50:31Z)
• Frequency-Constrained Learning for Long-Term Forecasting [15.31488551912888]
  実世界の時系列は、物理法則、人間のルーチン、季節周期から生じる強い周期構造を示す。 現代の深層予測モデルは、スペクトルバイアスと周波数認識による誘導前兆の欠如により、繰り返し発生するパターンを捉えることができないことが多い。 本稿では,周期性を明示的にモデル化し,長期予測を効果的に行う手法を提案する。
  論文  参考訳（メタデータ） (2025-08-02T22:12:15Z)
• Inference-Time Scaling of Diffusion Language Models with Particle Gibbs Sampling [70.8832906871441]
  我々は、モデルを再訓練することなく、所望の報酬に向けて世代を操る方法を研究する。 従来の手法では、通常は1つの認知軌道内でサンプリングやフィルタを行い、軌道レベルの改善なしに報酬をステップバイステップで最適化する。 本稿では,拡散言語モデル(PG-DLM)の粒子ギブスサンプリングについて紹介する。
  論文  参考訳（メタデータ） (2025-07-11T08:00:47Z)
• Diffusion prior as a direct regularization term for FWI [0.0]
  フルウェーブフォーム・インバージョン(FWI)に先立つスコアベース生成拡散を提案する。 従来の拡散法とは異なり,本手法は逆拡散サンプリングを回避し,イテレーションを少なくする。 提案手法は,従来およびGANベースのFWI手法と比較して,忠実度と堅牢性を向上する。
  論文  参考訳（メタデータ） (2025-06-11T19:43:23Z)
• FLEX: A Backbone for Diffusion-Based Modeling of Spatio-temporal Physical Systems [51.15230303652732]
  FLEX (F Low Expert) は、時間物理系の生成モデリングのためのバックボーンアーキテクチャである。 拡散モデルにおける速度場の分散を低減し、トレーニングの安定化に役立つ。 少数の特徴を2つの逆拡散ステップとして用いて、超解像および予測タスクの正確な予測を行う。
  論文  参考訳（メタデータ） (2025-05-23T00:07:59Z)
• Auto-Regressive Moving Diffusion Models for Time Series Forecasting [2.3814052021083354]
  時系列予測(TSF)は,様々な領域において不可欠であり,近年の拡散型TSFモデルの進歩は大きな可能性を示唆している。 本稿では,連続的な拡散に基づくTSFを実現するために,新しい自己回帰移動拡散(ARMD)モデルを提案する。 本稿では,未来系列を初期状態として,歴史系列を最終状態として,拡散過程を再解釈する。
  論文  参考訳（メタデータ） (2024-12-12T14:51:48Z)
• Arbitrary-steps Image Super-resolution via Diffusion Inversion [68.78628844966019]
  本研究では,拡散インバージョンに基づく新しい画像超解像(SR)手法を提案する。 本研究では,拡散モデルの中間状態を構築するための部分雑音予測戦略を設計する。 トレーニングが完了すると、このノイズ予測器を使用して、拡散軌道に沿ってサンプリングプロセスを部分的に初期化し、望ましい高分解能結果を生成する。
  論文  参考訳（メタデータ） (2024-12-12T07:24:13Z)
• Time Series Diffusion in the Frequency Domain [54.60573052311487]
  周波数領域における時系列表現がスコアベース拡散モデルに有用な帰納バイアスであるか否かを解析する。 重要なニュアンスを持つ周波数領域において、二重拡散過程が生じることを示す。 周波数領域に拡散モデルを実装するために,デノナイジングスコアマッチング手法を適用する方法を示す。
  論文  参考訳（メタデータ） (2024-02-08T18:59:05Z)

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。