論文の概要: Latent Laplace Diffusion for Irregular Multivariate Time Series

• arxiv url: http://arxiv.org/abs/2605.19805v1
• Date: Tue, 19 May 2026 13:04:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-20 15:03:09.354725
• Title: Latent Laplace Diffusion for Irregular Multivariate Time Series
• Title（参考訳）: 不規則な多変量時系列に対する潜時ラプラス拡散
• Authors: Zinuo You, Jin Zheng, John Cartlidge,
• Abstract要約: 対象を低次元の潜在軌道としてモデル化する生成フレームワークであるLaplace Diffusionを提案する。 LLapDiffは、物理的時間とともにステップバイステップの統合なしで水平線全体の生成を可能にする。 また, 連続力学と不規則な観測とを更新・蓄積解析により関連づける。
• 参考スコア（独自算出の注目度）: 16.474933482743513
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Irregular multivariate time series impose a trade-off for long-horizon forecasting: discrete methods can distort temporal structure via re-gridding, while continuous-time models often require sequential solvers prone to drift. To bridge this gap, we present Latent Laplace Diffusion (LLapDiff), a generative framework that models the target as a low-dimensional latent trajectory, enabling horizon-wide generation without step-by-step integration over physical time. We guide the reverse process utilizing a stable modal parameterization motivated by stochastic port-Hamiltonian dynamics, and parameterize its mean evolution in the Laplace domain via learnable complex-conjugate poles, enabling direct evaluation over irregular timestamps. We also link continuous dynamics to irregular observations through renewal-averaging analysis, which maps sampling gaps to effective event-domain poles and motivates a gap-aware history summarizer. Extensive experiments show that LLapDiff improves over baselines in long-horizon forecasting, and its continuous-time generative nature supports missing-value imputation by querying the same model at historical timestamps. Code is available at https://github.com/pixelhero98/LLapDiffusion.
• Abstract（参考訳）: 不規則な多変量時系列は、長期水平予測のトレードオフを課す:離散的手法は、再グライディングによって時間構造を歪めることができるが、連続時間モデルは、しばしばドリフトしがちなシーケンシャルな解法を必要とする。 このギャップを埋めるために、我々は、ターゲットを低次元の潜在軌道としてモデル化する生成フレームワークであるLatent Laplace Diffusion (LLapDiff)を提案する。 確率的ポート-ハミルトン力学によって動機付けられた安定なモーダルパラメータ化を利用して逆過程を導出し、学習可能な複素共役極を介してラプラス領域における平均進化をパラメータ化し、不規則なタイムスタンプを直接評価する。 また、連続力学と不規則な観測を更新・拡張解析により関連付けることにより、サンプリングギャップを効果的なイベント領域極にマッピングし、ギャップ認識履歴要約器を動機付ける。 大規模実験により,LLapDiffは長距離予測におけるベースラインよりも改善し,その連続時間生成特性は過去のタイムスタンプで同じモデルに問い合わせることによって,欠点値の計算をサポートすることがわかった。 コードはhttps://github.com/pixelhero98/LLapDiffusionで入手できる。

関連論文リスト

• Continuous-Time Distribution Matching for Few-Step Diffusion Distillation [57.28746398500951]
  本稿では,CDM(Continuous-Time Distribution Matching)を導入し,DMDフレームワークを個別アンカーから連続最適化へ移行する。 まず、固定離散スケジュールをランダム長の動的連続スケジュールに置き換える。 第二に、学生の速度場を介して外挿された潜伏者に対してアクティブな軌道外マッチングを行う連続時間アライメント目的を提案する。
  論文  参考訳（メタデータ） (2026-05-07T14:56:39Z)
• 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)
• Unconditional flow-based time series generation with equivariance-regularised latent spaces [0.0]
  フローベースモデルは時系列生成に成功している。 しかし、時系列生成モデルに望ましい同値性を持つ潜在表現を設計する方法は、まだ未定である。 本稿では,事前学習したオートエンコーダの簡単な正規化により,等価性を明示的に促進する潜在フローマッチングフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-01-30T11:19:33Z)
• RainDiff: End-to-end Precipitation Nowcasting Via Token-wise Attention Diffusion [64.49056527678606]
  本稿では,U-Net拡散モデルだけでなく,レーダ時間エンコーダにも統合されたトークンワイドアテンションを提案する。 従来の手法とは異なり,本手法は,画素空間拡散の典型的な高資源コストを発生させることなく,アーキテクチャに注意を集中させる。 実験と評価により,提案手法は複雑な降水予測シナリオにおいて,最先端の手法,ロバストネスの局所的忠実度,一般化,優位性を著しく上回ることを示した。
  論文  参考訳（メタデータ） (2025-10-16T17:59:13Z)
• Trajectory Generator Matching for Time Series [0.0]
  軌道フローマッチングにインスパイアされたSDEとジャンププロセスの新しいジェネレータを見つける。 ジャンプカーネル密度をパラメータ化することで、基礎となるプロセスの不連続性を扱うことができる。 他のほとんどのアプローチとは異なり、不規則にサンプリングされた時系列を扱うことができる。
  論文  参考訳（メタデータ） (2025-05-29T07:56:32Z)
• PDETime: Rethinking Long-Term Multivariate Time Series Forecasting from the perspective of partial differential equations [49.80959046861793]
  本稿では,ニューラルPDEソルバの原理に着想を得た新しいLMTFモデルであるPDETimeを提案する。 7つの異なる時間的実世界のLMTFデータセットを用いた実験により、PDETimeがデータ固有の性質に効果的に適応できることが判明した。
  論文  参考訳（メタデータ） (2024-02-25T17:39:44Z)
• Probabilistic Learning of Multivariate Time Series with Temporal Irregularity [21.361823581838355]
  実世界の時系列はしばしば、一様間隔や不整合変数を含む時間的不規則に悩まされる。 本稿では,変数の連立分布を任意の連続点で捉えながら,時間的不規則性をモデル化するエンドツーエンドフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-06-15T14:08:48Z)
• Towards Spatio-Temporal Aware Traffic Time Series Forecasting--Full Version [37.09531298150374]
  同じ時系列パターンの複雑な時系列パターンが時間によって異なる可能性があるため、トラフィックシリーズの予測は困難である。 このような時間的モデルは、時間的位置と時間的期間に関わらず、共有パラメータ空間を使用し、時間的相関は場所間で類似しており、常に時間にわたって保持するわけではないと仮定する。 サブテンポラリモデルにICDを意識したモデルをエンコードするフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-03-29T16:44:56Z)
• Continuous Latent Process Flows [47.267251969492484]
  任意の時間スタンプにおける連続時系列ダイナミクスの部分的な観察は多くの分野に存在する。このタイプのデータに連続力学を用いた統計モデルを適用することは、直感的なレベルで有望であるだけでなく、実用的な利点もある。 微分方程式によって駆動される時間依存正規化フローを用いて、連続潜時プロセスを連続可観測プロセスに復号する原則的アーキテクチャである連続潜時プロセスフロー(CLPF)を用いて、これらの課題に取り組む。 我々のアブレーション研究は、不規則な時間グリッド上での様々な推論タスクへの貢献の有効性を実証している。
  論文  参考訳（メタデータ） (2021-06-29T17:16:04Z)

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。