論文の概要: DAD4TS: Data-Augmentation-Oriented Diffusion Model for Time-Series Forecasting with Small-Scale Data
- arxiv url: http://arxiv.org/abs/2605.17866v1
- Date: Mon, 18 May 2026 05:19:13 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-19 17:57:48.889155
- Title: DAD4TS: Data-Augmentation-Oriented Diffusion Model for Time-Series Forecasting with Small-Scale Data
- Title（参考訳）: DAD4TS:小型データを用いた時系列予測のためのデータ拡張指向拡散モデル
- Abstract要約: 本稿では,拡散モデルに基づく強化学習によるデータ拡張手法であるDAD4TSを提案する。
DAD4TSでは、データジェネレータは時系列モデルで同時に訓練され、強化学習モデルで制御される。
我々は従来のVAE法の代わりに数学的手法を用いて、時系列データを幾何学空間に投影することで拡散モデルを訓練する。
- 参考スコア（独自算出の注目度）: 0.7881189626716694
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Small-scale data is a critical problem in time-series forecasting tasks. Data augmentation is an effective strategy for this task, but it has a limitation in generating meaningful data. To address this limitation, we propose DAD4TS, a diffusion-model-based data augmentation method with reinforcement learning, designed for time-series forecasting with small-scale data. In DAD4TS, a data generator is simultaneously trained with a time-series model and controlled by a reinforcement learning model to efficiently generate samples that improve the forecast accuracy of the time-series model. To support small-scale data, we use mathematical methods instead of conventional VAE methods to train the diffusion model by projecting the time-series data into the geometric space. We validated the effectiveness of DAD4TS with seven comparative methods through qualitative and quantitative experiments on six real-world datasets and eight time-series models. As a result, DAD4TS was validated on five datasets.
- Abstract（参考訳）: 小規模データは時系列予測タスクにおいて重要な問題である。
データ拡張は、このタスクに効果的な戦略であるが、有意義なデータを生成するのに制限がある。
この制限に対処するため,小型データを用いた時系列予測のための拡散モデルに基づく拡張学習手法であるDAD4TSを提案する。
DAD4TSでは、データジェネレータを時系列モデルで同時にトレーニングし、強化学習モデルで制御し、時系列モデルの予測精度を向上させるサンプルを効率的に生成する。
そこで我々は,従来のVAE法の代わりに数学的手法を用いて,時系列データを幾何学空間に投影することで拡散モデルを訓練する。
実世界の6つのデータセットと8つの時系列モデルに対する定性的および定量的実験により,DAD4TSの有効性を7つの比較手法で検証した。
その結果、DAD4TSは5つのデータセットで検証された。
関連論文リスト
- Data-Efficient Ensemble Weather Forecasting with Diffusion Models [5.03317364227682]
拡散モデルは一般的に自己回帰的であり、計算コストが高い。
これは、データが制限され、コストがかかり、作業が難しい気候科学における課題である。
我々は,複数のデータサンプリング戦略を評価し,簡単な時間的階層化サンプリング手法により,実データトレーニングと同等以上の性能が得られることを示す。
論文 参考訳（メタデータ） (2025-09-14T02:22:16Z) - A Time-Series Data Augmentation Model through Diffusion and Transformer Integration [0.6437284704257459]
ディープニューラルネットワークは通常、トレーニングのために大量のデータを必要とする。
本稿では,Diffusion モデルと Transformer モデルを組み合わせた簡易かつ効率的な手法を提案する。
ベンチマークとして拡張データを適用したモデルの性能向上を利用して,高品質な拡張データを生成する能力を示す。
論文 参考訳（メタデータ） (2025-05-01T09:40:45Z) - TimeRAF: Retrieval-Augmented Foundation model for Zero-shot Time Series Forecasting [59.702504386429126]
TimeRAFは検索拡張技術によるゼロショット時系列予測を強化する検索拡張予測モデルである。
TimeRAFは、エンド・ツー・エンドの学習可能なレトリバーを使用して、知識ベースから貴重な情報を抽出する。
論文 参考訳（メタデータ） (2024-12-30T09:06:47Z) - ReAugment: Model Zoo-Guided RL for Few-Shot Time Series Augmentation and Forecasting [74.00765474305288]
本稿では,時系列データ拡張のための強化学習(RL)の試験的検討を行う。
我々の手法であるReAugmentは、トレーニングセットのどの部分が拡張されるべきか、どのように拡張を行うべきか、RLがプロセスにどのような利点をもたらすのか、という3つの重要な問題に取り組む。
論文 参考訳（メタデータ） (2024-09-10T07:34:19Z) - Synthesizing Multimodal Electronic Health Records via Predictive Diffusion Models [69.06149482021071]
EHRPDと呼ばれる新しいEHRデータ生成モデルを提案する。
時間間隔推定を組み込んだ拡散モデルである。
我々は2つの公開データセットで実験を行い、忠実さ、プライバシー、実用性の観点からEPHPDを評価する。
論文 参考訳（メタデータ） (2024-06-20T02:20:23Z) - Stochastic Diffusion: A Diffusion Probabilistic Model for Stochastic Time Series Forecasting [6.087430039164587]
本稿では,データ駆動型事前知識を各ステップで学習する新しい拡散(StochDiff)モデルを提案する。
学習された事前知識は、複雑な時間的ダイナミクスとデータ固有の不確実性を捉えるのに役立つ。
論文 参考訳（メタデータ） (2024-06-05T00:13:38Z) - Chronos: Learning the Language of Time Series [79.38691251254173]
Chronosは事前訓練された確率的時系列モデルのためのフレームワークである。
クロノスモデルでは,様々な領域の時系列データを利用して,未知の予測タスクにおけるゼロショット精度を向上させることができることを示す。
論文 参考訳（メタデータ） (2024-03-12T16:53:54Z) - A Training Rate and Survival Heuristic for Inference and Robustness Evaluation (TRASHFIRE) [1.622320874892682]
この研究は、特定のモデルハイパーパラメータが、相手の存在下でモデルの性能にどのように影響するかを理解し予測する問題に対処する。
提案手法では、サバイバルモデル、最悪の例、コスト認識分析を用いて、特定のモデル変更を正確かつ正確に拒否する。
提案手法を用いて、最も単純なホワイトボックス攻撃に対して、ResNetは絶望的に反対であることを示す。
論文 参考訳（メタデータ） (2024-01-24T19:12:37Z) - FengWu-4DVar: Coupling the Data-driven Weather Forecasting Model with 4D Variational Assimilation [67.20588721130623]
我々は,AIを用いた循環型天気予報システムFengWu-4DVarを開発した。
FengWu-4DVarは観測データをデータ駆動の天気予報モデルに組み込むことができる。
シミュレーションされた観測データセットの実験は、FengWu-4DVarが合理的な解析場を生成することができることを示した。
論文 参考訳（メタデータ） (2023-12-16T02:07:56Z) - Pushing the Limits of Pre-training for Time Series Forecasting in the
CloudOps Domain [54.67888148566323]
クラウドオペレーションドメインから,大規模時系列予測データセットを3つ導入する。
強力なゼロショットベースラインであり、モデルとデータセットサイズの両方において、さらなるスケーリングの恩恵を受けています。
これらのデータセットと結果を取得することは、古典的および深層学習のベースラインを事前訓練された方法と比較した総合的なベンチマーク結果の集合である。
論文 参考訳（メタデータ） (2023-10-08T08:09:51Z) - Deep Latent State Space Models for Time-Series Generation [68.45746489575032]
状態空間ODEに従って進化する潜伏変数を持つ列の生成モデルLS4を提案する。
近年の深層状態空間モデル(S4)に着想を得て,LS4の畳み込み表現を利用して高速化を実現する。
LS4は, 実世界のデータセット上での限界分布, 分類, 予測スコアにおいて, 従来の連続時間生成モデルよりも有意に優れていた。
論文 参考訳（メタデータ） (2022-12-24T15:17:42Z) - Extract Dynamic Information To Improve Time Series Modeling: a Case
Study with Scientific Workflow [3.4365264226554535]
本研究では,大規模科学ワークフローの現状に関する動的情報を抽出する技術について述べる。
このアプローチの鍵となる考え方は、いくつかの方法で現在のイベントにマッチする最近の過去のデータ転送イベントを見つけることです。
実験の結果,記録された特性に合致する最近の事象を同定し,予測誤差を約12%低減できることがわかった。
論文 参考訳（メタデータ） (2022-05-19T17:15:00Z) - A data filling methodology for time series based on CNN and (Bi)LSTM
neural networks [0.0]
イタリア・ボルツァーノの監視アパートから得られた時系列データギャップを埋めるための2つのDeep Learningモデルを開発した。
提案手法は, 変動するデータの性質を把握し, 対象時系列の再構成に優れた精度を示す。
論文 参考訳（メタデータ） (2022-04-21T09:40:30Z)
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。