論文の概要: MR-ImagenTime: Multi-Resolution Time Series Generation through Dual Image Representations
- arxiv url: http://arxiv.org/abs/2603.28253v2
- Date: Wed, 08 Apr 2026 03:27:07 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-09 14:06:04.883439
- 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
- Authors: Xianyong Xu, Yuanjun Zuo, Zhihong Huang, Yihan Qin, Haoxian Xu, Leilei Du, Haotian Wang,
- 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) - 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)
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。