論文の概要: HyFAD: Hybrid Time-Frequency Diffusion with Frequency-Aware Embedding for Time Series Imputation

• arxiv url: http://arxiv.org/abs/2606.05239v1
• Date: Wed, 03 Jun 2026 06:03:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-05 22:39:44.271537
• Title: HyFAD: Hybrid Time-Frequency Diffusion with Frequency-Aware Embedding for Time Series Imputation
• Title（参考訳）: HyFAD: 時系列インプットのための周波数認識埋め込みを用いたハイブリッド時間周波数拡散
• Authors: Hongfan Gao, Wangmeng Shen, Bin Yang, Jilin Hu,
• Abstract要約: 時系列計算のための時間周波数拡散モデルである textbfHyFAD を提案する。 周波数領域拡散プロセスは高周波スペクトル成分を洗練させる一方、低周波グローバルトレンドを捉える。 複数のベンチマークデータセットの実験は、HyFADが最先端のパフォーマンスを達成することを示した。
• 参考スコア（独自算出の注目度）: 10.212955864311589
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Diffusion models have demonstrated strong performance in time series modeling due to their ability to progressively capture complex data distributions through iterative denoising. However, existing approaches struggle with frequency-sensitive denoising, high-frequency reconstruction and balancing global trends with local dynamics. To address these limitations, we propose \textbf{HyFAD}, a \textbf{Hy}brid time-frequency \textbf{D}iffusion model with \textbf{F}requency-\textbf{A}ware embedding for time series imputation. Built upon the DDPM paradigm, HyFAD adopts a coupled time-frequency diffusion framework, in which the reverse denoising proceeds sequentially from the time domain to the frequency domain, enabling coarse-to-fine generation. Specifically, the time-domain diffusion process captures low-frequency global trends, while the frequency-domain diffusion process refines high-frequency spectral components. We further introduce a frequency-aware step embedding that exploits the relationship between diffusion steps and spectral components, providing step-dependent spectral guidance and facilitates more accurate band-wise reconstruction. Extensive experiments on multiple benchmark datasets demonstrate that HyFAD achieves state-of-the-art performance. Our source code is available at https://github.com/hongfangao/HyFAD.
• Abstract（参考訳）: 拡散モデルは、反復的デノジングによって複雑なデータ分布を段階的にキャプチャする能力により、時系列モデリングにおいて強い性能を示している。 しかし、既存のアプローチでは、周波数に敏感な復調、高周波再構成、グローバルトレンドと局所力学とのバランスに苦慮している。 これらの制約に対処するため, 時系列インプットのための組込み方式である \textbf{Hy}brid time- frequency \textbf{D}iffusion model を提案する。 DDPMパラダイムに基づいて構築されたHyFADは、時間領域から周波数領域への逆分極が逐次進行する結合時間周波数拡散フレームワークを採用し、粗大から粗大への生成を可能にする。 具体的には、時間領域拡散過程は低周波グローバルトレンドを捉え、周波数領域拡散過程は高周波スペクトル成分を洗練させる。 さらに、拡散ステップとスペクトル成分の関係を利用し、ステップ依存スペクトルガイダンスを提供し、より正確な帯域分割を容易にする周波数認識ステップ埋め込みを導入する。 複数のベンチマークデータセットに対する大規模な実験は、HyFADが最先端のパフォーマンスを達成することを示す。 ソースコードはhttps://github.com/hongfangao/HyFAD.comで公開されています。

関連論文リスト

• FreqCycle: A Multi-Scale Time-Frequency Analysis Method for Time Series Forecasting [5.58518205945406]
  本稿では、時間領域における共有周期パターンを明示的に学習することにより、低周波の特徴を抽出するFreqCycleを提案する。 FreqCycleは、高速な推論速度を維持しながら最先端の精度を実現し、パフォーマンスと効率の最適なバランスを保っている。
  論文  参考訳（メタデータ） (2026-03-10T13:34:36Z)
• WaveletDiff: Multilevel Wavelet Diffusion For Time Series Generation [15.28917997999402]
  WaveletDiffは、時系列データ固有の多重解像度構造を利用するために、ウェーブレット係数上で拡散モデルを直接訓練する新しいフレームワークである。 最先端の時間領域と周波数領域の生成手法を5つの異なるパフォーマンス指標で比較すると、一貫して性能が向上する。
  論文  参考訳（メタデータ） (2025-10-13T18:47:33Z)
• Wavelet Fourier Diffuser: Frequency-Aware Diffusion Model for Reinforcement Learning [10.270002679268485]
  本稿では、離散ウェーブレット変換を統合してトラジェクトリを低周波成分と高周波成分に分解する拡散型RLフレームワークを提案する。 WFDiffuserは、周波数シフトを効果的に軽減し、スムーズで安定した軌道となり、意思決定性能が向上する。
  論文  参考訳（メタデータ） (2025-09-04T08:50:31Z)
• Frequency Domain-Based Diffusion Model for Unpaired Image Dehazing [92.61216319417208]
  そこで本稿では,未確認データにおける有益な知識を十分に活用するための,新しい周波数領域ベース拡散モデルを提案する。 拡散モデル(DM)が示す強い生成能力に着想を得て,周波数領域再構成の観点からデハージング課題に取り組む。
  論文  参考訳（メタデータ） (2025-07-02T01:22:46Z)
• LSCD: Lomb-Scargle Conditioned Diffusion for Time series Imputation [55.800319453296886]
  欠落または不規則なサンプルデータを持つ時系列は、機械学習において永続的な課題である。 我々は,不規則サンプルデータのパワースペクトルの信頼性の高い計算を可能にする,異なるLombiable-Scargle層を導入する。
  論文  参考訳（メタデータ） (2025-06-20T14:48:42Z)
• A Fourier Space Perspective on Diffusion Models [6.834230686279937]
  拡散モデルは、画像、オーディオ、タンパク質、材料などのデータモダリティに関する最先端の生成モデルである。 フーリエ空間における拡散モデルの前方過程の帰納バイアスについて検討する。
  論文  参考訳（メタデータ） (2025-05-16T14:13:02Z)
• Frequency-Aware Deepfake Detection: Improving Generalizability through Frequency Space Learning [81.98675881423131]
  この研究は、目に見えないディープフェイク画像を効果的に識別できるユニバーサルディープフェイク検出器を開発するという課題に対処する。 既存の周波数ベースのパラダイムは、偽造検出のためにGANパイプラインのアップサンプリング中に導入された周波数レベルのアーティファクトに依存している。 本稿では、周波数領域学習を中心にしたFreqNetと呼ばれる新しい周波数認識手法を導入し、ディープフェイク検出器の一般化性を高めることを目的とする。
  論文  参考訳（メタデータ） (2024-03-12T01:28:00Z)
• Diffusion-TS: Interpretable Diffusion for General Time Series Generation [6.639630994040322]
  Diffusion-TSは、高品質な時系列サンプルを生成する新しい拡散ベースのフレームワークである。 各拡散ステップのノイズの代わりにサンプルを直接再構成するようにモデルを訓練し、フーリエに基づく損失項を組み合わせた。 その結果,Diffusion-TSは時系列の様々な現実的解析において最先端の結果が得られることがわかった。
  論文  参考訳（メタデータ） (2024-03-04T05:39:23Z)
• Time Series Diffusion in the Frequency Domain [54.60573052311487]
  周波数領域における時系列表現がスコアベース拡散モデルに有用な帰納バイアスであるか否かを解析する。 重要なニュアンスを持つ周波数領域において、二重拡散過程が生じることを示す。 周波数領域に拡散モデルを実装するために,デノナイジングスコアマッチング手法を適用する方法を示す。
  論文  参考訳（メタデータ） (2024-02-08T18:59:05Z)
• DiffuSeq-v2: Bridging Discrete and Continuous Text Spaces for Accelerated Seq2Seq Diffusion Models [58.450152413700586]
  ガウス空間に基づく離散突然変異を再構成する学習において拡散モデルを容易にする軟吸収状態を導入する。 我々は、サンプリングプロセスの高速化のために、連続空間内で最先端のODEソルバを用いている。 提案手法は, トレーニング収束率を4倍に向上させ, 類似品質のサンプルを800倍高速に生成する。
  論文  参考訳（メタデータ） (2023-10-09T15:29:10Z)

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。