Fugu-MT 論文翻訳(概要): Spectral-Aware Text-to-Time Series Generation with Billion-Scale Multimodal Meteorological Data

論文の概要: Spectral-Aware Text-to-Time Series Generation with Billion-Scale Multimodal Meteorological Data

arxiv url: http://arxiv.org/abs/2603.27135v1
Date: Sat, 28 Mar 2026 04:55:00 GMT
ステータス: 翻訳完了
システム内更新日: 2026-03-31 23:18:44.802394
Title: Spectral-Aware Text-to-Time Series Generation with Billion-Scale Multimodal Meteorological Data
Title（参考訳）: 数十億のマルチモーダル気象データを用いたスペクトル対応テキスト・ツー・タイム・シリーズ生成
Authors: Shijie Zhang,
Abstract要約: 我々は,MACC(Collaborative Captioning)パイプラインを通じて構築された専門家レベルのキャプションと組み合わせた,10億規模の気象データセットであるMeteoCap-3Bを紹介した。次に,MTransformerを提案する。MTransformerは,テキスト記述をマルチバンドスペクトルにマッピングすることで,正確な意味制御を可能にするモデルである。実世界のベンチマーク実験では、最先端の世代品質、正確なクロスモーダルアライメント、強力なセマンティックコントロール可能性、下流予測の大幅な向上が示されている。
参考スコア（独自算出の注目度）: 5.582207674658708
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Text-to-time-series generation is particularly important in meteorology, where natural language offers intuitive control over complex, multi-scale atmospheric dynamics. Existing approaches are constrained by the lack of large-scale, physically grounded multimodal datasets and by architectures that overlook the spectral-temporal structure of weather signals. We address these challenges with a unified framework for text-guided meteorological time-series generation. First, we introduce MeteoCap-3B, a billion-scale weather dataset paired with expert-level captions constructed via a Multi-agent Collaborative Captioning (MACC) pipeline, yielding information-dense and physically consistent annotations. Building on this dataset, we propose MTransformer, a diffusion-based model that enables precise semantic control by mapping textual descriptions into multi-band spectral priors through a Spectral Prompt Generator, which guides generation via frequency-aware attention. Extensive experiments on real-world benchmarks demonstrate state-of-the-art generation quality, accurate cross-modal alignment, strong semantic controllability, and substantial gains in downstream forecasting under data-sparse and zero-shot settings. Additional results on general time-series benchmarks indicate that the proposed framework generalizes beyond meteorology.
Abstract（参考訳）: テキスト・ツー・タイム・シリーズの生成は特に気象学において重要であり、自然言語は複雑なマルチスケールの大気力学を直感的に制御する。既存のアプローチは、大規模で物理的に基盤付けられたマルチモーダルデータセットの欠如と、気象信号のスペクトル時間構造を見渡すアーキテクチャによって制約されている。我々はこれらの課題を,テキスト誘導気象時系列生成のための統一的な枠組みで解決する。まず,Multi-Adnt Collaborative Captioning(MACC)パイプラインを通じて構築された専門家レベルのキャプションと組み合わせた,10億規模の気象データセットであるMeteoCap-3Bを紹介した。本稿では,MTransformerを提案する。MTransformerは,テキスト記述をマルチバンドのスペクトル前処理にマッピングすることで,高精度な意味制御を可能にするモデルである。実世界のベンチマークに関する大規模な実験では、最先端の世代品質、正確なクロスモーダルアライメント、強力なセマンティックコントロール可能性、データスパースおよびゼロショット設定下での下流予測の大幅な向上が示されている。一般時系列ベンチマークのさらなる結果は、提案フレームワークが気象以外にも一般化されていることを示唆している。

関連論文リスト

Optimizing Multi-Agent Weather Captioning via Text Gradient Descent: A Training-Free Approach with Consensus-Aware Gradient Fusion [0.0]
We introduced WeatherTGD, a training-free multi-agent framework that repreprets collaborative excuse refinement through the Lens of Text Gradient Descent (TGD)。本システムでは,気象時系列観測からドメイン固有のテキスト勾配を生成する,統計分析器,物理解釈器,気象専門家の3つの特殊なLCMエージェントを配置する。実世界の気象データを用いた実験により、LLMに基づく評価と人間の専門家による評価の両方において、WeatherTGDが大幅な改善を達成していることが示された。
論文参考訳（メタデータ） (2026-03-23T07:55:45Z)
UniDiff: A Unified Diffusion Framework for Multimodal Time Series Forecasting [90.47915032778366]
マルチモーダル時系列予測のための統合拡散フレームワークUniDiffを提案する。コアには統一的で並列な融合モジュールがあり、単一のクロスアテンション機構がタイムスタンプからの構造化情報とテキストからのセマンティックコンテキストを統合する。 8つの領域にわたる実世界のベンチマークデータセットの実験は、提案したUniDiffモデルが最先端のパフォーマンスを達成することを示す。
論文参考訳（メタデータ） (2025-12-08T05:36:14Z)
Hierarchical AI-Meteorologist: LLM-Agent System for Multi-Scale and Explainable Weather Forecast Reporting [3.0354231393746685]
階層型AI-気象学者は、階層型予測推論と天気キーワード生成を用いて説明可能な天気予報を生成する。本フレームワークは,時間,6時間,日毎の多段階的推論を行い,短期的動態と長期的傾向の両方を捉える。
論文参考訳（メタデータ） (2025-11-28T17:27:06Z)
A Unified Frequency Domain Decomposition Framework for Interpretable and Robust Time Series Forecasting [81.73338008264115]
時系列予測の現在のアプローチは、時間領域であれ周波数領域であれ、主に線形層やトランスフォーマーに基づいたディープラーニングモデルを使用する。本稿では,多種多様な時系列を数学的に抽象化する統合周波数領域分解フレームワークFIREを提案する。火は長期予測ベンチマークで最先端のモデルを一貫して上回る。
論文参考訳（メタデータ） (2025-10-11T09:59:25Z)
Multi-modal Adaptive Estimation for Temporal Respiratory Disease Outbreak [8.861941883057098]
MAESTROは、スペクトル時間モデリングとマルチモーダルデータ融合を統合する、新しく統一されたフレームワークである。香港の11年以上のデータから評価すると、MAESTRO は R-square 0.956 に適合する優れたモデルを実現している。モジュラーで再現可能なパイプラインは、他の地域や病原体への展開と拡張を容易にするために公開されている。
論文参考訳（メタデータ） (2025-09-10T13:27:40Z)
MeteorPred: A Meteorological Multimodal Large Model and Dataset for Severe Weather Event Prediction [44.09814361538848]
本稿では,気象予報のための大規模な時間的マルチモーダルデータセットであるMP-Benchを紹介する。このデータセットの上に,4次元気象入力を直接吸収するマルチモーダル大モデル (MMLM) を開発した。 MMLMは複数のタスクにまたがって非常によく機能し、厳しい気象の理解におけるその有効性を強調している。
論文参考訳（メタデータ） (2025-08-09T06:54:41Z)
Multivariate Long-term Time Series Forecasting with Fourier Neural Filter [42.60778405812048]
我々はFNFをバックボーンとして、DBDをアーキテクチャとして導入し、空間時間モデルのための優れた学習能力と最適な学習経路を提供する。 FNFは、局所時間領域とグローバル周波数領域の情報処理を単一のバックボーン内で統合し、空間的モデリングに自然に拡張することを示す。
論文参考訳（メタデータ） (2025-06-10T18:40:20Z)
MFRS: A Multi-Frequency Reference Series Approach to Scalable and Accurate Time-Series Forecasting [51.94256702463408]
時系列予測は、周波数の異なる周期特性から導かれる。マルチ周波数参照系列相関解析に基づく新しい時系列予測手法を提案する。主要なオープンデータセットと合成データセットの実験は、最先端のパフォーマンスを示している。
論文参考訳（メタデータ） (2025-03-11T11:40:14Z)
FATE: Focal-modulated Attention Encoder for Multivariate Time-series Forecasting [0.0]
気候は、海面の上昇、氷河の融解、ますます極端な気候パターンなど、21世紀の最も急進的な世界的な課題の1つである。正確な予測はこれらの現象を監視し、緩和戦略を支援するために重要である。 CNN、RNN、アテンションベースのトランスフォーマーなど、最近の時系列予測のためのデータ駆動モデルでは、依存関係と限定並列化に苦戦している。本研究は,時系列予測のための修正注意文(FATE)を提示する。
論文参考訳（メタデータ） (2024-08-21T04:40:18Z)
Rethinking Urban Mobility Prediction: A Super-Multivariate Time Series Forecasting Approach [71.67506068703314]
長期の都市移動予測は、都市施設やサービスの効果的管理において重要な役割を担っている。伝統的に、都市移動データはビデオとして構成され、経度と緯度を基本的なピクセルとして扱う。本研究では,都市におけるモビリティ予測の新たな視点について紹介する。都市移動データを従来のビデオデータとして単純化するのではなく、複雑な時系列と見なす。
論文参考訳（メタデータ） (2023-12-04T07:39:05Z)
Deep Autoregressive Models with Spectral Attention [74.08846528440024]
本稿では,深部自己回帰モデルとスペクトル注意(SA)モジュールを組み合わせた予測アーキテクチャを提案する。時系列の埋め込みをランダムなプロセスの発生としてスペクトル領域に特徴付けることにより,グローバルな傾向と季節パターンを同定することができる。時系列に対するグローバルとローカルの2つのスペクトルアテンションモデルは、この情報を予測の中に統合し、スペクトルフィルタリングを行い、時系列のノイズを除去する。
論文参考訳（メタデータ） (2021-07-13T11:08:47Z)

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。