論文の概要: Unconditional flow-based time series generation with equivariance-regularised latent spaces

• arxiv url: http://arxiv.org/abs/2601.22848v1
• Date: Fri, 30 Jan 2026 11:19:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-02 18:28:15.402856
• Title: Unconditional flow-based time series generation with equivariance-regularised latent spaces
• Title（参考訳）: 等分散正則化潜在空間を用いた非条件フローベース時系列生成
• Authors: Camilo Carvajal Reyes, Felipe Tobar,
• Abstract要約: フローベースモデルは時系列生成に成功している。 しかし、時系列生成モデルに望ましい同値性を持つ潜在表現を設計する方法は、まだ未定である。 本稿では,事前学習したオートエンコーダの簡単な正規化により,等価性を明示的に促進する潜在フローマッチングフレームワークを提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Flow-based models have proven successful for time-series generation, particularly when defined in lower-dimensional latent spaces that enable efficient sampling. However, how to design latent representations with desirable equivariance properties for time-series generative modelling remains underexplored. In this work, we propose a latent flow-matching framework in which equivariance is explicitly encouraged through a simple regularisation of a pre-trained autoencoder. Specifically, we introduce an equivariance loss that enforces consistency between transformed signals and their reconstructions, and use it to fine-tune latent spaces with respect to basic time-series transformations such as translation and amplitude scaling. We show that these equivariance-regularised latent spaces improve generation quality while preserving the computational advantages of latent flow models. Experiments on multiple real-world datasets demonstrate that our approach consistently outperforms existing diffusion-based baselines in standard time-series generation metrics, while achieving orders-of-magnitude faster sampling. These results highlight the practical benefits of incorporating geometric inductive biases into latent generative models for time series.
• Abstract（参考訳）: フローベースモデルは、特に効率的なサンプリングを可能にする低次元の潜在空間で定義された場合、時系列生成に成功している。 しかし、時系列生成モデルに望ましい同値性を持つ潜在表現を設計する方法は、まだ未定である。 本研究では,事前学習したオートエンコーダの簡単な正規化により,等価性を明示的に促進する潜在フローマッチングフレームワークを提案する。 具体的には、変換信号とその再構成の整合性を強制する等分散損失を導入し、変換や振幅スケーリングといった基本的な時系列変換に対して遅延空間を微調整する。 これらの等分散規則化された潜在空間は、潜在フローモデルの計算上の優位性を保ちながら、生成品質を向上させることを示す。 複数の実世界のデータセットに対する実験により、我々のアプローチは標準時系列生成メトリクスにおいて既存の拡散ベースのベースラインを一貫して上回り、より高速なサンプリングを実現する。 これらの結果は、幾何学的帰納バイアスを時系列の潜在生成モデルに組み込むことの実用的利点を浮き彫りにしている。

関連論文リスト

• Approximate equivariance via projection-based regularisation [1.5755923640031846]
  非同変モデルは、実行時のパフォーマンスと不完全な対称性のため、再び注目を集めている。 これは、対称性の尊重とデータ分布の適合の間に中間点を打つ、ほぼ同変モデルの開発を動機付けている。 本研究では,空間領域とスペクトル領域の両方において,非等分散ペナルティを正確に,効率的に計算するための数学的枠組みを提案する。
  論文  参考訳（メタデータ） (2026-01-08T15:35:42Z)
• 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)
• Solving Inverse Problems with FLAIR [68.87167940623318]
  本稿では,フローベース生成モデルを逆問題に先立って活用する学習自由変分フレームワークFLAIRを提案する。 標準画像ベンチマークの結果、FLAIRは再現性やサンプルの多様性の観点から、既存の拡散法や流れ法よりも一貫して優れていることが示された。
  論文  参考訳（メタデータ） (2025-06-03T09:29:47Z)
• 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)
• TimeDiT: General-purpose Diffusion Transformers for Time Series Foundation Model [11.281386703572842]
  TimeDiTは時間依存性学習と確率的サンプリングを組み合わせた拡散トランスフォーマーモデルである。 TimeDiTは、さまざまなタスクにわたるトレーニングと推論プロセスを調和させるために、統一的なマスキングメカニズムを採用している。 我々の体系的評価は、ゼロショット/ファインチューニングによる予測と計算という基本的なタスクにおいて、TimeDiTの有効性を示す。
  論文  参考訳（メタデータ） (2024-09-03T22:31:57Z)
• Time-series Generation by Contrastive Imitation [87.51882102248395]
  モーメントマッチングの目的によってモチベーションされ、複合的エラーを軽減し、局所的(しかし前方的な)遷移ポリシーを最適化する。 推論において、学習されたポリシーは反復的なサンプリングのジェネレータとして機能し、学習されたエネルギーはサンプルの品質を評価するための軌道レベル尺度として機能する。
  論文  参考訳（メタデータ） (2023-11-02T16:45:25Z)
• Score-based Continuous-time Discrete Diffusion Models [102.65769839899315]
  連続時間マルコフ連鎖を介して逆過程が認知されるマルコフジャンププロセスを導入することにより、拡散モデルを離散変数に拡張する。 条件境界分布の単純なマッチングにより、偏りのない推定器が得られることを示す。 提案手法の有効性を,合成および実世界の音楽と画像のベンチマークで示す。
  論文  参考訳（メタデータ） (2022-11-30T05:33:29Z)
• Conditional Sig-Wasserstein GANs for Time Series Generation [8.593063679921109]
  GAN(Generative Adversarial Network)は、高次元の確率測度からサンプルを生成するのに非常に成功した。 これらの手法は時系列データによって誘導される関節確率分布の時間的依存を捉えるのに苦労する。 時系列データストリームはターゲット空間の次元を大幅に増加させ、生成的モデリングが不可能になる可能性がある。 本稿では,Wasserstein-GANを数学的原理と効率的な経路特徴抽出と統合した汎用条件付きSig-WGANフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-06-09T17:38:55Z)

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。