論文の概要: Graph2TS: Structure-Controlled Time Series Generation via Quantile-Graph VAEs

• arxiv url: http://arxiv.org/abs/2603.19970v1
• Date: Fri, 20 Mar 2026 14:12:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-23 19:48:39.167981
• Title: Graph2TS: Structure-Controlled Time Series Generation via Quantile-Graph VAEs
• Title（参考訳）: Graph2TS:Quantile-Graph VAEによる構造化時系列生成
• Authors: Shaoshuai Du, Joze M. Rozanec, Andy Pimentel, Ana-Lucia Varbanescu,
• Abstract要約: 本稿では,構造的バックボーンと残留ダイナミクスの組み合わせとして,時系列データを考慮した時系列生成に関する構造的・残留的な視点を提案する。 ラベルやメタデータではなく構造に対して生成を条件付けすることで、制御された変動を可能にしながら、グローバルな時間的構造を保ちます。 日光スポット、電力負荷、ECG、EEG信号を含む多様なデータセットの実験では、拡散およびGANベースラインと比較して分布の忠実度、時間的アライメント、代表性が改善された。
• 参考スコア（独自算出の注目度）: 1.0499611180329804
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Although recent generative models can produce time series with close marginal distributions, they often face a fundamental tension between preserving global temporal structure and modeling stochastic local variations, particularly for highly volatile signals with weak or irregular periodicity. Direct distribution matching in such settings can amplify noise or suppress meaningful temporal patterns. In this work, we propose a structure-residual perspective on time-series generation, viewing temporal data as the combination of a structural backbone and stochastic residual dynamics, thereby motivating the separation of global organization from sample-level variability. Based on this insight, we represent time-series structure using a quantile-based transition graph that compactly captures global distributional and temporal dependencies. Building on this representation, we propose Graph2TS, a quantile-graph conditioned variational autoencoder that performs cross-modal generation from structural graphs to time series. By conditioning generation on structure rather than labels or metadata, the model preserves global temporal organization while enabling controlled stochastic variation. Experiments on diverse datasets, including sunspot, electricity load, ECG, and EEG signals, demonstrate improved distributional fidelity, temporal alignment, and representativeness compared to diffusion- and GAN-based baselines, highlighting structure-controlled and cross-modal generation as a promising direction for time-series modeling.
• Abstract（参考訳）: 最近の生成モデルは、近辺分布を持つ時系列を生成することができるが、大域的時間構造を保存することと確率的局所変動(特に、弱い周期性または不規則な周期性を持つ高度揮発性信号)をモデル化することの間の根本的な緊張に直面することが多い。 このような環境での直接分布マッチングは、ノイズを増幅したり、意味のある時間的パターンを抑制することができる。 本研究では, 時系列データと確率的残留力学を組み合わせた時系列データから, 標本レベルの変動性からグローバルな組織を分離する動機付けとして, 時系列生成における構造的残留視点を提案する。 この知見に基づいて,グローバルな分布と時間的依存関係をコンパクトにキャプチャするQuantile-based transition graphを用いて時系列構造を表現する。 この表現に基づいて、構造グラフから時系列へのクロスモーダル生成を行う量子グラフ条件付き変分オートエンコーダGraph2TSを提案する。 ラベルやメタデータではなく構造に対して生成を条件付けすることで、制御された確率的変動を可能にしながら、グローバルな時間的構造を保ちます。 日光スポット、電力負荷、ECG、EEG信号を含む多様なデータセットの実験は、拡散およびGANベースラインと比較して分布の忠実度、時間的アライメント、代表性の向上を示し、時系列モデリングの有望な方向として構造制御およびクロスモーダル生成を強調した。

関連論文リスト

• Forecasting as Rendering: A 2D Gaussian Splatting Framework for Time Series Forecasting [79.37674445572462]
  時系列予測(TSF)は、周期内変動と周期間トレンドの複雑な絡み合いのため、依然として困難な問題である。 形状変化テンソルを静止画像として扱うと、トポロジカルミスマッチが発生する。 均一な固定サイズの表現に依存することは、モデリング能力を非効率に割り当てる。 TimeGSは、予測パラダイムをレグレッションから2D生成レンダリングに根本的にシフトする、新しいフレームワークである。
  論文  参考訳（メタデータ） (2026-02-10T14:13:36Z)
• DiTS: Multimodal Diffusion Transformers Are Time Series Forecasters [50.43534351968113]
  既存の生成時系列モデルは、時系列データの多次元特性にうまく対応していない。 動画生成にテキストガイダンスを組み込んだマルチモーダル拡散変換器に着想を得て,Diffusion Transformer for Time Series (DiTS)を提案する。
  論文  参考訳（メタデータ） (2026-02-06T10:48:13Z)
• PeriodNet: Boosting the Potential of Attention Mechanism for Time Series Forecasting [15.752636750230053]
  本稿では、隣接した周期を解析するための周期注意機構とスパース周期注意機構を組み込んだ周期ネットを提案する。 PeriodNetは、従来のエンコーダ・デコーダ・トランスフォーマーアーキテクチャに基づく他のモデルと比較して、長さ720の時系列を予測する場合、相対的に22%の改善を実現している。
  論文  参考訳（メタデータ） (2025-11-23T14:47:38Z)
• 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)
• TIMED: Adversarial and Autoregressive Refinement of Diffusion-Based Time Series Generation [0.31498833540989407]
  TIMEDは、フォワード-リバース拡散プロセスを通じてグローバル構造をキャプチャする統合生成フレームワークである。 特徴空間における実および合成分布をさらに整合させるため、TIMEDは最大平均離散性(MMD)損失を取り入れている。 我々は、TIMEDが最先端の生成モデルよりも現実的で時間的に一貫性のあるシーケンスを生成することを示す。
  論文  参考訳（メタデータ） (2025-09-23T23:05:40Z)
• Kuramoto Orientation Diffusion Models [67.0711709825854]
  指紋やテクスチャなどのオリエンテーションに富んだ画像は、しばしばコヒーレントな角模様を示す。 生体系における位相同期の役割を動機として,スコアベース生成モデルを提案する。 一般的な画像ベンチマークで競合する結果を実装し,指紋やテクスチャなどの指向性データセットの生成品質を大幅に向上する。
  論文  参考訳（メタデータ） (2025-09-18T18:18:49Z)
• Temporal Attention Evolutional Graph Convolutional Network for Multivariate Time Series Forecasting [2.6138578479379104]
  本稿ではTAEGCN(Temporal Attention Evolutional Graph Convolutional Network)を紹介する。 TAEGCNは、データ内の時間的因果関係と隠れた空間的依存関係を受信する。 METR-LAとPEMS-BAYの2つの公共交通ネットワークデータセットで行った実験結果から,提案モデルの有効性が示された。
  論文  参考訳（メタデータ） (2025-05-01T04:50:00Z)
• 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)
• Continuous-Time Bayesian Networks with Clocks [33.774970857450086]
  グラフ結合したセミマルコフ連鎖の集合を構成するために,ノードワイズクロックのセットを導入する。 パラメータと構造推論のためのアルゴリズムを提供し、局所的な依存関係を利用する。
  論文  参考訳（メタデータ） (2020-07-01T09:33:39Z)

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。