論文の概要: Preserving Temporal Dynamics in Time Series Generation

• arxiv url: http://arxiv.org/abs/2604.27182v1
• Date: Wed, 29 Apr 2026 20:32:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-01 16:31:53.80063
• Title: Preserving Temporal Dynamics in Time Series Generation
• Title（参考訳）: 時系列生成における時間ダイナミクスの保存
• Authors: Ci Lin, Futong Li, Tet Yeap, Iluju Kiringa,
• Abstract要約: 時系列データの増大は回帰指向予測タスクにおいて重要な役割を果たす。 既存のアプローチは主に、限界データ分布のマッチングに重点を置いている。 モデルに依存しないマルコフ・チェイン・モンテカルロフレームワークを提案し、分布シフトを緩和し、時間的ダイナミクスを保存する。
• 参考スコア（独自算出の注目度）: 0.2099922236065961
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Time-series data augmentation plays a crucial role in regression-oriented forecasting tasks, where limited data restricts the performance of deep learning models. While Generative Adversarial Networks (GANs) have shown promise in synthetic time-series generation, existing approaches primarily focus on matching marginal data distributions and often overlook the temporal dynamics that naturally exist in the original multivariate time series. When generating multivariate time series, this mismatch leads to distribution shift and temporal drift, thereby degrading the fidelity of the synthetic sequences. In this work, we propose a model-agnostic Markov Chain Monte Carlo (MCMC)-based framework to mitigate distribution shift and preserve temporal dynamics in synthetic time series. We provide a theoretical analysis of how conditional generative models accumulate deviations under sequential generation and demonstrate that the MCMC algorithm can correct these discrepancies by enforcing consistency with empirical transition statistics between neighboring time points. Extensive experiments on the Lorenz, Licor, ETTh, and ILI datasets using RCGAN, GCWGAN, TimeGAN, SigCWGAN, and AECGAN demonstrate that the proposed MCMC framework consistently improves autocorrelation alignment, skewness error, kurtosis error, R$^2$, discriminative score, and predictive score. These results suggest that synthetic time series consistent with the original data require explicit preservation of transition laws rather than solely relying on adversarial distribution matching, thereby offering a principled direction for improving generative modeling of time-series data.
• Abstract（参考訳）: 時系列データの増大は、データ制限がディープラーニングモデルの性能を制限する回帰指向予測タスクにおいて重要な役割を果たす。 GAN(Generative Adversarial Networks)は、合成時系列生成において有望であることを示す一方で、既存のアプローチは主に限界データ分布のマッチングに重点を置いており、しばしば元の多変量時系列に自然に存在する時間的ダイナミクスを見落としている。 多変量時系列を生成する際、このミスマッチは分布シフトと時間的ドリフトをもたらし、それによって合成配列の忠実度を低下させる。 本研究では, モデルに依存しないMarkov Chain Monte Carlo (MCMC) ベースのフレームワークを提案する。 本稿では,条件付き生成モデルが逐次生成の下でどのようにずれを蓄積するかを理論的に分析し,MCMCアルゴリズムが近隣の時間点間の経験的遷移統計値との整合性を持たせることにより,これらの不一致を補正できることを実証する。 RCGAN, GCWGAN, TimeGAN, SigCWGAN, AECGAN を用いた Lorenz, Licor, ETTh, ILI データセットの大規模な実験により,提案したMCMC フレームワークは自動相関アライメント, 歪誤差, 曲率誤差, R$^2$, 識別スコア, 予測スコアを一貫して改善することを示した。 これらの結果から, 合成時系列と原データとの整合性は, 逆分布マッチングのみに依存するのではなく, 遷移法則の明示的な保存を必要とすることが示唆された。

関連論文リスト

• TimeAPN: Adaptive Amplitude-Phase Non-Stationarity Normalization for Time Series Forecasting [67.91113180885601]
  TimeAPNは時間領域と周波数領域の両方から非定常因子を明示的にモデル化し、予測する。 TimeAPNは、複数の予測水平線にわたる長期的な予測精度を一貫して改善する。 これは最先端の可逆正規化法より優れている。
  論文  参考訳（メタデータ） (2026-03-18T07:21:24Z)
• 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)
• A Theoretical Analysis of Detecting Large Model-Generated Time Series [19.438825121010783]
  データ誤用や製造のリスクが高まっているため、時系列大モデル(TSLM)が生成する合成時系列を識別する問題について検討する。 本研究では, TSLM生成時系列を識別するために, 連続プレフィックス上で不確実性指標を集約するホワイトボックス検出器である不確実性収縮推定器(UCE)を紹介する。
  論文  参考訳（メタデータ） (2025-11-10T13:48:48Z)
• 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)
• 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)
• ReTimeCausal: EM-Augmented Additive Noise Models for Interpretable Causal Discovery in Irregular Time Series [32.21736212737614]
  本稿では, 金融, 医療, 気候科学などの高度領域における不規則サンプル時系列における因果発見について検討する。 ReTimeCausalは,物理誘導型データ計算と疎因性推論を統一する付加雑音モデル(ANM)と期待最大化(EM)の新たな統合である。
  論文  参考訳（メタデータ） (2025-07-04T05:39:50Z)
• A Poisson-Gamma Dynamic Factor Model with Time-Varying Transition Dynamics [51.147876395589925]
  非定常PGDSは、基礎となる遷移行列が時間とともに進化できるように提案されている。 後続シミュレーションを行うために, 完全共役かつ効率的なギブスサンプリング装置を開発した。 実験により,提案した非定常PGDSは,関連するモデルと比較して予測性能が向上することを示した。
  論文  参考訳（メタデータ） (2024-02-26T04:39:01Z)
• Time-series Generation by Contrastive Imitation [87.51882102248395]
  モーメントマッチングの目的によってモチベーションされ、複合的エラーを軽減し、局所的(しかし前方的な)遷移ポリシーを最適化する。 推論において、学習されたポリシーは反復的なサンプリングのジェネレータとして機能し、学習されたエネルギーはサンプルの品質を評価するための軌道レベル尺度として機能する。
  論文  参考訳（メタデータ） (2023-11-02T16:45:25Z)
• Synergetic Learning of Heterogeneous Temporal Sequences for Multi-Horizon Probabilistic Forecasting [48.8617204809538]
  本稿では,新しい条件生成モデルである変分相乗型マルチホライゾンネットワーク(VSMHN)を提案する。 不均一なシーケンス間で複雑な相関関係を学習するために、深部プロセスモデルと変動的リカレントニューラルネットワークの進歩を組み合わせるために、調整されたエンコーダが考案された。 我々のモデルは変動予測を用いて効果的に訓練でき、モンテカルロシミュレーションを用いて予測を生成することができる。
  論文  参考訳（メタデータ） (2021-01-31T11:00:55Z)

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。