論文の概要: E4GEN: Event-level Explainable Extreme-Enhanced Time-series Generation

• arxiv url: http://arxiv.org/abs/2606.01634v1
• Date: Mon, 01 Jun 2026 03:35:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-02 21:34:29.901845
• Title: E4GEN: Event-level Explainable Extreme-Enhanced Time-series Generation
• Title（参考訳）: E4GEN: イベントレベルの説明可能な極端拡張時系列生成
• Authors: Lin Jiang, Dahai Yu, Ximiao Li, Guang Wang,
• Abstract要約: イベント対応時間系列生成のための説明可能な拡散フレームワークであるE4GENを提案する。 E4GENは3つの重要なコンポーネントを通じて、いつ、何、どのように極端にエフェクトの発生を制御するかについて、系統的な洞察を提供する。 我々は、17のメトリクスを持つ6つのデータセット上でE4GENを評価し、E4GENが複数の次元にわたる最先端モデルより優れていることを示す広範な実験を行った。
• 参考スコア（独自算出の注目度）: 5.676157325165344
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Generating realistic time series is essential for scientific research and real-world applications. However, existing methods often emphasize overall distributional fidelity while failing to faithfully capture extreme events. To advance existing research, we propose E4GEN, an explainable diffusion framework for extreme event-aware time-series generation. E4GEN provides systematic insights into when, what, and how to control extreme-event generation through three key components. First, E-Activator learns the dataset-adaptive extreme-control signal activation step during the denoising process without interfering with regular temporal components, including trend and seasonality. Second, E-Predictor determines what control signal to enforce through Self-Driven Semantic Prediction, where each sample derives its own control signal by inferring latent extreme-event information during generation. It also includes a novel Data-Conditioned Training, Noise-Initiated Sampling mechanism to address the issue of unavailable training labels. Third, E-Control specifies how to control extreme-event generation through a trainable Extreme Control Network, which transforms the semantic control signal into layer-wise signals and injects it into the denoising process. We evaluate E4GEN on six datasets with 17 metrics, and extensive experiments show that E4GEN outperforms state-of-the-art models across multiple dimensions, including overall fidelity, extreme-event fidelity, and downstream utility.
• Abstract（参考訳）: 現実的な時系列を生成することは科学研究や実世界の応用に不可欠である。 しかし、既存の手法は、極端な出来事を忠実に捉えることに失敗しながら、全体の分布の忠実さを強調することが多い。 既存の研究を進めるために,イベント対応時系列生成のための説明可能な拡散フレームワークであるE4GENを提案する。 E4GENは3つの重要なコンポーネントを通じて、いつ、何、どのように極端にエフェクトの発生を制御するかについて、系統的な洞察を提供する。 まず、E-Activatorは、トレンドや季節といった通常の時間成分を干渉することなく、デノナイズプロセス中にデータセット適応的な極端制御信号の活性化ステップを学習する。 次に、E予測器は、自己駆動セマンティック予測(Self-Driven Semantic Prediction)を通じて、どの制御信号を強制するかを決定する。 また、新しいData-Conditioned Training、Noss-Initiated Samplingメカニズムが含まれており、利用できないトレーニングラベルの問題に対処している。 第三に、E-Controlはトレーニング可能なExtreme Control Networkを通じて極端イベント生成を制御する方法を規定している。 我々は、17のメトリクスを持つ6つのデータセット上でE4GENを評価し、E4GENは、全体的な忠実度、極端な忠実度、下流ユーティリティなど、複数の次元にわたる最先端モデルよりも優れていることを示す広範な実験を行った。

関連論文リスト

• Peak-Detector: Explainable Peak Detection via Instruction-Tuned Large Language Models in Physiological Sign [11.440086398117318]
  Peak-Detectorは、堅牢でクロスモーダルで説明可能なピーク検出のための新しいフレームワークである。 中心となるイノベーションは、時系列データを凝縮形式に変換する"ピークモード"技術である。 Peak-Detectorは、4つのモードにわたる強力なクロス表現性能を示す。
  論文  参考訳（メタデータ） (2026-05-15T04:08:00Z)
• Dywave: Event-Aligned Dynamic Tokenization for Heterogeneous IoT Sensing Signals [8.057104516698145]
  モノのインターネット(IoT)システムは、ユビキタスセンサーから不均一なセンシング信号を継続的に収集する。 これらの信号は本質的に非定常かつマルチスケールであり、標準的なトークン化技術に固有の課題を提起している。 本稿では,IoTセンサ信号の動的トークン化フレームワークであるDywaveを提案する。
  論文  参考訳（メタデータ） (2026-05-13T18:27:25Z)
• Rethinking Event-Based Object Dtection through Representation-Level Temporal Aggregation and Model-Level Hypergraph Reasoning [65.08890312027314]
  イベントカメラはマイクロ秒レベルの時間分解能、低レイテンシ、高ダイナミックレンジを提供する。 Event Dual Temporal-Relational Aggregation Detector (Ev-DTAD)は、表現レベルの時間エンコーディングとモデルレベルの時間-ハイパーグラフ推論を統合する。 Ev-DTADは、コンパクトな時間的表現と時間的ハイパーグラフの特徴的推論の相補性を検証し、競争精度と効率のトレードオフを実現する。
  論文  参考訳（メタデータ） (2026-05-09T09:20:34Z)
• Towards Video Anomaly Detection from Event Streams: A Baseline and Benchmark Datasets [71.53287557600177]
  イベントベースの異常検出を統一研究の方向性として確立するための第一歩を踏み出す。 まず、同期イベントとRGB記録を特徴とする、ビデオ異常検出のための複数のイベントストリームベースのベンチマークを構築した。 次に,EVent中心のビデオ異常検出フレームワークであるEWADを提案する。
  論文  参考訳（メタデータ） (2026-03-26T03:33:33Z)
• Generative Event Pretraining with Foundation Model Alignment [25.86429472344715]
  イベントカメラは、高速な動きと難解な照明条件下で、堅牢な視覚信号を提供する。 ユニークなセンシング特性とラベル付きデータの制限により、イベントベースのビジュアルファンデーションモデルのトレーニングが困難になる。 GEP(Generative Event Pretraining)は,インターネット規模の画像データセットから学習したセマンティック知識をイベントデータに転送する2段階のフレームワークである。
  論文  参考訳（メタデータ） (2026-03-24T10:10:34Z)
• ControlEvents: Controllable Synthesis of Event Camera Datawith Foundational Prior from Image Diffusion Models [61.17744115607788]
  本稿では,多様な制御信号によって誘導される高品質なイベントデータを合成するために,拡散に基づく生成モデルを提案する。 視覚認識, 2次元骨格推定, 3次元身体ポーズ推定のためのイベントデータを合成することで, 本手法の有効性を実証する。
  論文  参考訳（メタデータ） (2025-09-26T19:22:07Z)
• DiffSED: Sound Event Detection with Denoising Diffusion [70.18051526555512]
  生成学習の観点からSED問題を再構築する。 具体的には,騒音拡散過程において,雑音のある提案から音の時間境界を生成することを目的としている。 トレーニング中は,ノイズの多い遅延クエリを基本バージョンに変換することで,ノイズ発生過程の逆転を学習する。
  論文  参考訳（メタデータ） (2023-08-14T17:29:41Z)

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。