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
• Authors: Masahiro Suzuki, Bohui Xia, Hiroto Yamamoto, Masanori Miyahara,
• 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

• 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)
• 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)
• 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)

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。