論文の概要: Dynamic Linear Coregionalization for Realistic Synthetic Multivariate Time Series
- arxiv url: http://arxiv.org/abs/2604.05064v1
- Date: Mon, 06 Apr 2026 18:11:20 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-08 17:42:09.430001
- Title: Dynamic Linear Coregionalization for Realistic Synthetic Multivariate Time Series
- Title（参考訳）: リアリスティック合成多変量時系列の動的線形コリージョン化
- Authors: Annita Vapsi, Penghang Liu, Saheed Obitayo, Aakriti, Manoj Cherukumalli, Prathamesh Patil, Amit Varshney, Nicolas Marchesotti, Elizabeth Fons, Vamsi K. Potluru, Manuela Veloso,
- Abstract要約: 我々は,時間的・状況的に変化する相関関係とチャネル間ラグ構造を組み込んだ,コリージョン化の動的線形モデルDynLMCを紹介する。
提案手法は,実データに近い相関ダイナミクスを持つ合成多変量時系列を生成する。
- 参考スコア（独自算出の注目度）: 11.889040575479372
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Synthetic data is essential for training foundation models for time series (FMTS), but most generators assume static correlations, and are typically missing realistic inter-channel dependencies. We introduce DynLMC, a Dynamic Linear Model of Coregionalization, that incorporates time-varying, regime-switching correlations and cross-channel lag structures. Our approach produces synthetic multivariate time series with correlation dynamics that closely resemble real data. Fine-tuning three foundational models on DynLMC-generated data yields consistent zero-shot forecasting improvements across nine benchmarks. Our results demonstrate that modeling dynamic inter-channel correlations enhances FMTS transferability, highlighting the importance of data-centric pretraining.
- Abstract（参考訳）: 合成データは時系列の基礎モデル(FMTS)のトレーニングには不可欠であるが、ほとんどのジェネレータは静的な相関を仮定し、典型的には現実的なチャネル間の依存関係を欠いている。
我々は,時間的・状況的に変化する相関関係とチャネル間ラグ構造を組み込んだ,コリージョン化の動的線形モデルDynLMCを紹介する。
提案手法は,実データに近い相関ダイナミクスを持つ合成多変量時系列を生成する。
DynLMC生成データに関する3つの基礎モデルを微調整すると、9つのベンチマークで一貫したゼロショット予測の改善が得られる。
その結果,動的チャネル間相関のモデル化はFMTS転送可能性を高め,データ中心の事前学習の重要性を強調した。
関連論文リスト
- OATS: Online Data Augmentation for Time Series Foundation Models [49.1394215208561]
時系列基礎モデル(TSFM)は時間分析の強力なパラダイムであり、しばしばデータ品質を向上させるために合成データ拡張によって強化される。
OATS (Online Data Augmentation for Time Series Foundation Models) は、異なるトレーニング手順に合わせて合成データを生成する基本戦略である。
論文 参考訳（メタデータ） (2026-01-26T23:51:03Z) - Beyond Linearity and Time-homogeneity: Relational Hyper Event Models with Time-Varying Non-Linear Effects [0.0]
よりフレキシブルなモデルを導入し、統計の影響を非線形かつ経時的に変化させることができるようにします。
このアプローチは、ハイパーイベントを駆動する動的要因に関する深い洞察を与え、潜在的にモノトニックでないパターンを評価することができる。
論文 参考訳（メタデータ） (2025-09-05T17:55:29Z) - Trajectory Flow Matching with Applications to Clinical Time Series Modeling [77.58277281319253]
Trajectory Flow Matching (TFM) は、シミュレーションのない方法でニューラルSDEを訓練し、ダイナミックスを通してバックプロパゲーションをバイパスする。
絶対的性能と不確実性予測の観点から,3つの臨床時系列データセットの性能向上を実証した。
論文 参考訳（メタデータ） (2024-10-28T15:54:50Z) - Amortized Control of Continuous State Space Feynman-Kac Model for Irregular Time Series [14.400596021890863]
医療、気候、経済などの現実世界のデータセットは、しばしば不規則な時系列として収集される。
本稿では,連続状態空間モデル (ACSSM) を時系列の連続的動的モデリングに用いるためのアモータイズ制御を提案する。
論文 参考訳（メタデータ） (2024-10-08T01:27:46Z) - Attractor Memory for Long-Term Time Series Forecasting: A Chaos Perspective [63.60312929416228]
textbftextitAttraosはカオス理論を長期時系列予測に取り入れている。
本研究では,AttraosがPatchTSTと比較して,パラメータの12分の1しか持たない主流データセットやカオスデータセットにおいて,LTSF法よりも優れていることを示す。
論文 参考訳（メタデータ） (2024-02-18T05:35:01Z) - Relational State-Space Model for Stochastic Multi-Object Systems [24.234120525358456]
本稿では、逐次階層型潜在変数モデルであるリレーショナル状態空間モデル(R-SSM)を紹介する。
R-SSMはグラフニューラルネットワーク(GNN)を用いて、複数の相関オブジェクトの結合状態遷移をシミュレートする。
R-SSMの実用性は、合成および実時間時系列データセットで実証的に評価される。
論文 参考訳（メタデータ） (2020-01-13T03:45:21Z)
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。