Fugu-MT 論文翻訳(概要): MR-ImagenTime: Multi-Resolution Time Series Generation through Dual Image Representations

論文の概要: MR-ImagenTime: Multi-Resolution Time Series Generation through Dual Image Representations

arxiv url: http://arxiv.org/abs/2603.28253v1
Date: Mon, 30 Mar 2026 10:25:35 GMT
ステータス: 翻訳完了
システム内更新日: 2026-03-31 23:18:45.337384
Title: MR-ImagenTime: Multi-Resolution Time Series Generation through Dual Image Representations
Title（参考訳）: MR- ImagenTime:デュアル画像表現によるマルチリゾリューション時系列生成
Abstract要約: 時系列予測は多くの領域において不可欠であるが、既存のモデルは固定長入力と不十分なマルチスケールモデリングに苦慮している。 MR-CDM,階層型マルチレゾリューショントレンド分解,可変長入力への適応埋め込み機構,マルチスケール条件拡散プロセスを組み合わせた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）: 3.2470274231033502
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Time series forecasting is vital across many domains, yet existing models struggle with fixed-length inputs and inadequate multi-scale modeling. We propose MR-CDM, a framework combining hierarchical multi-resolution trend decomposition, an adaptive embedding mechanism for variable-length inputs, and a multi-scale conditional diffusion process. Evaluations on four real-world datasets demonstrate that MR-CDM significantly outperforms state-of-the-art baselines (e.g., CSDI, Informer), reducing MAE and RMSE by approximately 6-10 to a certain degree.
Abstract（参考訳）: 時系列予測は多くの領域において不可欠であるが、既存のモデルは固定長入力と不十分なマルチスケールモデリングに苦慮している。 MR-CDM,階層型マルチレゾリューショントレンド分解,可変長入力への適応埋め込み機構,マルチスケール条件拡散プロセスを組み合わせたフレームワークを提案する。 4つの実世界のデータセットで評価したところ、MR-CDMは最先端のベースライン(例えばCSDI、Informer)を著しく上回り、MAEとRMSEを約6-10程度削減している。

関連論文リスト

MS-SSM: A Multi-Scale State Space Model for Efficient Sequence Modeling [60.648359990090846]
状態空間モデル(SSM)は、最近、計算コストのかかるシーケンスモデルに対する効率的な代替手段として注目されている。本稿では,複数の解像度にまたがるシーケンスダイナミクスを表現するマルチスケールSSMフレームワークを提案し,各解像度を特殊な状態空間ダイナミクスで処理する。
論文参考訳（メタデータ） (2025-12-29T19:36:28Z)
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)
Multi-Modal View Enhanced Large Vision Models for Long-Term Time Series Forecasting [53.332533610841885]
時系列は画像やテキストに変換でき、同じ信号のマルチモーダルビュー(MMV)を提供する。これらのMMVは相補的なパターンを明らかにし、長期時系列予測(LTSF)のための大型ビジョンモデル(LVM)のような強力な事前訓練された大規模モデルの使用を可能にする。 DMMVは、トレンド・シーズンの分解と新しいバックキャスト・レジデンシャル・アダプティブ・コンダプティブ・コンダプションを活用し、LTSFのためのMMVを統合する新しい分解ベースマルチモーダル・ビュー・フレームワークである。
論文参考訳（メタデータ） (2025-05-29T20:55:24Z)
MSDformer: Multi-scale Discrete Transformer For Time Series Generation [34.850082388835034]
マルチスケール離散変換器(MSDformer)と呼ばれる,マルチスケールDTMに基づく時系列生成手法を提案する。 MSDformerは、複数のスケールで離散トークン表現を学習するために、マルチスケールの時系列トークンーを使用しており、時系列データの複雑な性質を共同で特徴づけている。実験により、MSDformerは最先端の手法よりも大幅に優れていることが示された。
論文参考訳（メタデータ） (2025-05-20T11:01:36Z)
TCAQ-DM: Timestep-Channel Adaptive Quantization for Diffusion Models [49.65286242048452]
拡散モデル(TCAQ-DM)のためのタイムステップ・チャネル適応量子化法を提案する。提案手法は,ほとんどの場合,最先端の手法よりも優れている。
論文参考訳（メタデータ） (2024-12-21T16:57:54Z)
TimeMixer++: A General Time Series Pattern Machine for Universal Predictive Analysis [17.09401448377127]
時系列解析は多くのアプリケーションにおいて重要な役割を担い、予測、分類、異常検出、計算などのタスクをサポートする。本研究では,高機能な表現とパターン抽出機能を通じて,幅広い時系列タスクを最適化するモデルである時系列パターンマシン(TSPM)を提案する。
論文参考訳（メタデータ） (2024-10-21T14:06:53Z)
Binarized Diffusion Model for Image Super-Resolution [61.963833405167875]
超圧縮アルゴリズムであるバイナリ化は、高度な拡散モデル(DM)を効果的に加速する可能性を提供する既存の二項化法では性能が著しく低下する。画像SRのための新しいバイナライズ拡散モデルBI-DiffSRを提案する。
論文参考訳（メタデータ） (2024-06-09T10:30:25Z)
Many-to-many Image Generation with Auto-regressive Diffusion Models [59.5041405824704]
本稿では,与えられた画像集合から関連画像系列を生成可能な多対多画像生成のためのドメイン汎用フレームワークを提案する。我々は,25個の相互接続された画像を含む12Mの合成マルチイメージサンプルを含む,新しい大規模マルチイメージデータセットMISを提案する。我々はM2Mを学習し、M2Mは多対多生成のための自己回帰モデルであり、各画像は拡散フレームワーク内でモデル化される。
論文参考訳（メタデータ） (2024-04-03T23:20:40Z)
A Multi-Scale Decomposition MLP-Mixer for Time Series Analysis [14.40202378972828]
そこで我々は,MSD-Mixerを提案する。MSD-Mixerは,各レイヤの入力時系列を明示的に分解し,表現することを学ぶマルチスケール分解ミクサーである。我々は,MSD-Mixerが他の最先端のアルゴリズムよりも効率よく優れていることを示す。
論文参考訳（メタデータ） (2023-10-18T13:39:07Z)
Deep Unfolding Convolutional Dictionary Model for Multi-Contrast MRI Super-resolution and Reconstruction [23.779641808300596]
最適化アルゴリズムの指導の下で,マルチコントラスト畳み込み辞書(MC-CDic)モデルを提案する。近似勾配アルゴリズムを用いてモデルを最適化し、反復的なステップを深部CDicモデルに展開する。実験により,既存のSOTA法に対して提案したMC-CDicモデルの方が優れた性能を示した。
論文参考訳（メタデータ） (2023-09-03T13:18:59Z)

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。