論文の概要: TimeTok: Granularity-Controllable Time-Series Generation via Hierarchical Tokenization

• arxiv url: http://arxiv.org/abs/2605.01418v1
• Date: Sat, 02 May 2026 12:30:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-05 20:33:49.761823
• Title: TimeTok: Granularity-Controllable Time-Series Generation via Hierarchical Tokenization
• Title（参考訳）: TimeTok:階層的トークン化による粒度制御可能な時系列生成
• Authors: Seokhyun Lee, Jaeho Kim, Changjun Oh, Mihaela van der Schaar, Changhee Lee,
• Abstract要約: TimeTokは、Granularity-Controllable Time-Series Generationの統一フレームワークである。 TimeTokの中核は階層的なトークン化戦略であり、時系列を順序付けられたトークン列にマッピングする。 TimeTokはGC-TSGタスクに優れ、標準世代で最先端のパフォーマンスを実現している。
• 参考スコア（独自算出の注目度）: 51.417830800990764
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Time-series generative models often lack control over temporal granularity, forcing users to accept whatever granularity the model produces. To enable truly user-driven generation, we introduce TimeTok, a unified framework for Granularity-Controllable Time-Series Generation (GC-TSG), which generates time series at any target granularity from any coarser input (e.g., rough sketches) or from scratch. At the core of TimeTok is a hierarchical tokenization strategy that maps time series into an ordered sequence of tokens, from coarse to fine temporal granularity. Our autoregressive generation process operates across these granularity levels, producing token blocks that are decoded back into continuous time series. This design naturally enables GC-TSG - including standard generation - within a single framework, where controlling the number of token blocks provides explicit control over output detail. Experiments show that TimeTok excels at GC-TSG tasks while achieving state-of-the-art performance in standard generation. Furthermore, we showcase TimeTok's potential as a foundational tokenizer by training on multiple datasets with heterogeneous temporal granularities, verifying strong transferability that consistently outperforms models trained on individual datasets. To our knowledge, this is the first unified framework that covers the full generative spectrum for time series, offering a valuable foundation for models that benefit from diverse temporal granularities.
• Abstract（参考訳）: 時系列生成モデルは時間的粒度の制御を欠くことが多く、ユーザーはモデルが生成する粒度の受け入れを強制する。 真のユーザ駆動生成を実現するため,粒度制御可能な時系列生成(GC-TSG)のための統合フレームワークであるTimeTokを導入する。 TimeTokの中核は階層的なトークン化戦略で、時系列を粗い部分から微妙な時間的粒度まで、順序付けられたトークン列にマッピングする。 我々の自己回帰生成プロセスは、これらの粒度レベルにわたって動作し、トークンブロックを生成し、連続した時系列に復号化します。 この設計により、単一のフレームワーク内でGC-TSG(標準生成を含む)が自然に可能となり、トークンブロックの数をコントロールすることで、出力の詳細を明示的に制御できる。 実験によると、TimeTokはGC-TSGタスクで優れ、標準生成における最先端のパフォーマンスを実現している。 さらに、不均一な時間的粒度の複数のデータセットをトレーニングし、個々のデータセットでトレーニングされたモデルを一貫して上回る強い転送可能性を検証することにより、TimeTokが基本的なトークン化ツールとしての可能性を示す。 私たちの知る限り、これは時系列の完全な生成スペクトルをカバーする最初の統一されたフレームワークであり、多様な時間的粒度の恩恵を受けるモデルのための貴重な基盤を提供する。

関連論文リスト

• Kairos: Towards Adaptive and Generalizable Time Series Foundation Models [27.076542021368056]
  時系列基礎モデル (TSFM) は時系列解析の強力なパラダイムとして登場してきた。 動的パッチトークンとインスタンス適応型位置埋め込みを統合した,柔軟なTSFMフレームワークであるKairosを提案する。 Kairosは2つの共通ゼロショットベンチマークのパラメータをはるかに少なくして、優れたパフォーマンスを実現している。
  論文  参考訳（メタデータ） (2025-09-30T06:02:26Z)
• How to Unlock Time Series Editing? Diffusion-Driven Approach with Multi-Grained Control [28.81619544175742]
  時系列編集(TSE)は、時間的コヒーレンスを維持しながら正確な修正を行う。 我々は、さまざまなタイプの制約をまたいだ同時かつ柔軟な制御を可能にするために、CocktailEditフレームワークを導入しました。
  論文  参考訳（メタデータ） (2025-06-05T17:32:00Z)
• Time Series Generation Under Data Scarcity: A Unified Generative Modeling Approach [7.631288333466648]
  データ・スカース・セッティングにおける主要な生成モデルを評価するための大規模な研究を初めて行った。 本稿では,いくつかの例を用いて高忠実度時系列を合成できる拡散型統合生成フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-05-26T18:39:04Z)
• Timer-XL: Long-Context Transformers for Unified Time Series Forecasting [67.83502953961505]
  我々は時系列の統一予測のための因果変換器Timer-XLを提案する。 大規模な事前トレーニングに基づいて、Timer-XLは最先端のゼロショット性能を達成する。
  論文  参考訳（メタデータ） (2024-10-07T07:27:39Z)
• Timer: Generative Pre-trained Transformers Are Large Time Series Models [83.03091523806668]
  本稿では,大規模時系列モデル(LTSM)の早期開発を目的とした。 事前トレーニング中に、最大10億のタイムポイントを持つ大規模なデータセットをキュレートします。 多様なアプリケーションのニーズを満たすため,予測,計算,時系列の異常検出を統一的な生成タスクに変換する。
  論文  参考訳（メタデータ） (2024-02-04T06:55:55Z)
• Towards Generating Real-World Time Series Data [52.51620668470388]
  時系列データ生成のための新しい生成フレームワーク - RTSGANを提案する。 RTSGANは、時系列インスタンスと固定次元潜在ベクトルの間のマッピングを提供するエンコーダデコーダモジュールを学習する。 不足した値の時系列を生成するために、RTSGANに観測埋め込み層と決定・生成デコーダを更に装備する。
  論文  参考訳（メタデータ） (2021-11-16T11:31:37Z)

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。