論文の概要: GenTS: A Comprehensive Benchmark Library for Generative Time Series Models

• arxiv url: http://arxiv.org/abs/2605.17804v2
• Date: Tue, 19 May 2026 06:01:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-20 15:03:08.558914
• Title: GenTS: A Comprehensive Benchmark Library for Generative Time Series Models
• Title（参考訳）: GenTS: 生成時系列モデルのための総合ベンチマークライブラリ
• Authors: Chenxi Wang, Xiaorong Wang, Peiyang Li, Yi Wang,
• Abstract要約: GenTSは、生成時系列モデルの体系的な評価のために設計された包括的なベンチマークライブラリである。 統合されたデータ前処理パイプライン、汎用モデルのコレクション、パノラマ評価メトリクスを備えている。 GenTSをベースとして,様々なタスクでベンチマーク実験を行い,モデル選択の提案と今後の研究の方向性について検討した。
• 参考スコア（独自算出の注目度）: 8.868982298807554
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Generative models have demonstrated remarkable potential in time series analysis tasks, like synthesis, forecasting, imputation, etc. However, offering limited coverage for generative models, existing time series libraries are mainly engineered for discriminative models, with standardized workflows for specific tasks, such as optimizing Mean Squared Errors for time series forecasting. This rigid structure is fundamentally incompatible with the distinct and often complex paradigms of generative models (e.g., adversarial training, diffusion processes), which learn the underlying data distribution rather than a direct input-output mapping. To this end, we proposed GenTS, a comprehensive and extensible benchmark library designed for systematic assessment on generative time series models. GenTS features a unified data preprocessing pipeline, a collection of versatile models, and panoramic evaluation metrics. Its modular design also enables the researchers to flexibly customize beyond our built-in datasets and models. Based on GenTS, we conducted benchmarking experiments under diverse tasks, accordingly offering suggestions for model selection and identifying potential directions for future research. Our codes are open-source at https://github.com/WillWang1113/GenTS. The official tutorials and document are available at https://willwang1113.github.io/GenTS/.
• Abstract（参考訳）: 生成モデルは、合成、予測、計算など、時系列分析タスクにおいて顕著なポテンシャルを示してきた。 しかしながら、生成モデルに限定的なカバレッジを提供するため、既存の時系列ライブラリは、主に差別モデルのために設計されており、時系列予測のためにMean Squared Errorsを最適化するなど、特定のタスクのためのワークフローが標準化されている。 この厳密な構造は、直接入出力マッピングではなく基礎となるデータ分布を学習する生成モデル(例えば、逆行訓練、拡散過程)の区別され、しばしば複雑なパラダイムと根本的に相容れない。 そこで我々は,生成時系列モデルの体系的評価を目的とした,包括的で拡張可能なベンチマークライブラリGenTSを提案する。 GenTSは統一されたデータ前処理パイプライン、汎用モデルのコレクション、パノラマ評価メトリクスを備えている。 モジュラーデザインは、内蔵のデータセットやモデルだけでなく、柔軟にカスタマイズできる。 GenTSをベースとして,様々なタスクのベンチマーク実験を行い,モデル選択の提案と今後の研究の方向性について検討した。 私たちのコードはhttps://github.com/WillWang1113/GenTS.comでオープンソース化されています。 公式チュートリアルとドキュメントはhttps://willwang1113.github.io/GenTS/で公開されている。

関連論文リスト

• 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: 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)
• Lag-Llama: Towards Foundation Models for Probabilistic Time Series Forecasting [54.04430089029033]
  本稿では,デコーダのみの変換器アーキテクチャに基づく時系列予測のための汎用基礎モデルであるLag-Llamaを提案する。 Lag-Llamaは、複数のドメインからの多様な時系列データの大規模なコーパスで事前訓練され、強力なゼロショット一般化能力を示す。 このような未確認データセットの比較的小さな部分で微調整を行うと、Lag-Llamaは最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2023-10-12T12:29:32Z)
• Merlion: A Machine Learning Library for Time Series [73.46386700728577]
  Merlionは時系列のためのオープンソースの機械学習ライブラリである。 モデルの統一インターフェースと、異常検出と予測のためのデータセットを備えている。 Merlionはまた、本番環境でのモデルのライブデプロイメントと再トレーニングをシミュレートするユニークな評価フレームワークも提供する。
  論文  参考訳（メタデータ） (2021-09-20T02:03:43Z)
• ScoreGrad: Multivariate Probabilistic Time Series Forecasting with Continuous Energy-based Generative Models [10.337742174633052]
  本研究では,連続エネルギーモデルに基づく確率的時系列予測フレームワークであるScoreGradを提案する。 ScoreGradは時系列特徴抽出モジュールと条件微分方程式に基づくスコアマッチングモジュールで構成される。 6つの実世界のデータセットで最先端の結果が得られます。
  論文  参考訳（メタデータ） (2021-06-18T13:22:12Z)

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。