論文の概要: REGEN: Reference-Guided Synthetic Multivariate Time Series Generation for Forecasting

• arxiv url: http://arxiv.org/abs/2606.05264v1
• Date: Wed, 03 Jun 2026 16:19:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-05 22:39:44.296976
• Title: REGEN: Reference-Guided Synthetic Multivariate Time Series Generation for Forecasting
• Title（参考訳）: REGEN: 予測のための基準誘導型合成多変量時系列生成
• Authors: Moulik Gupta, Dhruv Kumar, Murari Mandal, Saurabh Deshpande,
• Abstract要約: 本稿では,観測された配列を合成のための構造的足場として扱う参照誘導型生成パイプラインを提案する。 ReGeNの生成したデータは、最小限の予測劣化を伴う実兄弟データに一貫した代用であることを示す。 これは、低データのレシエーションにおいて、参照データが構造的に悪用される方法が、利用可能なデータ量と同じくらい重要であることを示唆している。
• 参考スコア（独自算出の注目度）: 7.771378647684901
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Training robust multivariate time series forecasting models requires large, diverse corpora, yet many real-world domains provide only a handful of observed sequences. Existing generators fail to resolve this mismatch: prior-based approaches (e.g., CauKer, TimePFN) produce domain-agnostic samples, while data-driven methods (e.g., TimeGAN) treat references as black-box supervision, forfeiting explicit control over periodic structure, local variability, and cross-variable dynamics. We propose ReGeN, a reference-guided generative pipeline that treats observed sequences not as examples to imitate, but as structural scaffolds for controllable synthesis. ReGeN decomposes each reference into three interpretable components: a phase-aligned periodic backbone capturing dominant domain morphology; per-variable stochastic residuals modeled with a deep-kernel Gaussian process; and lag-aware cross-variable dependencies injected through a structural causal model with fitted coupling coefficients. Sampling these components at controllable temperature broadens distributional coverage while preserving domain-grounded structure. We show that ReGeN-generated data consistently substitutes for real sibling data with minimal forecasting degradation, and in strongly periodic domains such as traffic, can outperform the real source itself. We further show that a foundation model pretrained on ReGeN corpora outperforms those pretrained on prior-based and data-driven synthetic alternatives. This suggests that in low-data regimes, how reference data is structurally exploited can matter as much as how much data is available.
• Abstract（参考訳）: 堅牢な多変量時系列予測モデルのトレーニングには、大規模で多様なコーパスが必要であるが、多くの実世界のドメインは少数の観測シーケンスしか提供していない。 事前ベースのアプローチ(例えば、CauKer、TimePFN)はドメインに依存しないサンプルを生成し、一方、データ駆動のメソッド(例えば、TimeGAN)は、参照をブラックボックスの監視として扱い、周期構造、ローカル変数、およびクロス変数のダイナミックスに対する明示的な制御を禁止します。 本稿では、参照誘導型生成パイプラインReGeNを提案する。これは、観測されたシーケンスを模倣する例ではなく、制御可能な合成のための構造的足場として扱う。 ReGeNは、各参照を3つの解釈可能なコンポーネントに分解する: 支配的なドメイン形態を捉える相整列周期的バックボーン、ディープカーネルガウス過程でモデル化された変量確率的残基、結合係数が組み合わされた構造因果モデルを通して注入されるラグ対応のクロス変数依存性。 これらの成分を制御可能な温度でサンプリングすることで、ドメイン基底構造を保持しながら分布範囲を広げる。 ReGeNの生成したデータは、最小限の予測劣化を伴う実兄弟データに対して一貫して代用され、トラフィックのような強い周期的な領域では、実際のソース自体よりも優れることを示す。 さらに,ReGeNコーパスで事前学習した基礎モデルは,事前学習およびデータ駆動型合成法で事前学習した基礎モデルよりも優れていることを示す。 これは、低データのレシエーションにおいて、参照データが構造的に悪用される方法が、利用可能なデータ量と同じくらい重要であることを示唆している。

関連論文リスト

• Preserving Temporal Dynamics in Time Series Generation [0.2099922236065961]
  時系列データの増大は回帰指向予測タスクにおいて重要な役割を果たす。 既存のアプローチは主に、限界データ分布のマッチングに重点を置いている。 モデルに依存しないマルコフ・チェイン・モンテカルロフレームワークを提案し、分布シフトを緩和し、時間的ダイナミクスを保存する。
  論文  参考訳（メタデータ） (2026-04-29T20:32:45Z)
• Graph2TS: Structure-Controlled Time Series Generation via Quantile-Graph VAEs [1.0499611180329804]
  本稿では,構造的バックボーンと残留ダイナミクスの組み合わせとして,時系列データを考慮した時系列生成に関する構造的・残留的な視点を提案する。 ラベルやメタデータではなく構造に対して生成を条件付けすることで、制御された変動を可能にしながら、グローバルな時間的構造を保ちます。 日光スポット、電力負荷、ECG、EEG信号を含む多様なデータセットの実験では、拡散およびGANベースラインと比較して分布の忠実度、時間的アライメント、代表性が改善された。
  論文  参考訳（メタデータ） (2026-03-20T14:12:11Z)
• MEMTS: Internalizing Domain Knowledge via Parameterized Memory for Retrieval-Free Domain Adaptation of Time Series Foundation Models [51.506429027626005]
  Memory for Time Series (MEMTS) は、時系列予測における検索不要領域適応のための軽量かつプラグアンドプレイ方式である。 MEMTSの鍵となるコンポーネントは知識永続化モジュール(KPM)であり、ドメイン固有の時間力学を内部化する。 このパラダイムシフトにより、MEMTSは定数時間推論とニアゼロレイテンシによる正確なドメイン適応を実現することができる。
  論文  参考訳（メタデータ） (2026-02-14T14:00:06Z)
• TIMED: Adversarial and Autoregressive Refinement of Diffusion-Based Time Series Generation [0.31498833540989407]
  TIMEDは、フォワード-リバース拡散プロセスを通じてグローバル構造をキャプチャする統合生成フレームワークである。 特徴空間における実および合成分布をさらに整合させるため、TIMEDは最大平均離散性(MMD)損失を取り入れている。 我々は、TIMEDが最先端の生成モデルよりも現実的で時間的に一貫性のあるシーケンスを生成することを示す。
  論文  参考訳（メタデータ） (2025-09-23T23:05:40Z)
• Multivariate Long-term Time Series Forecasting with Fourier Neural Filter [42.60778405812048]
  我々はFNFをバックボーンとして、DBDをアーキテクチャとして導入し、空間時間モデルのための優れた学習能力と最適な学習経路を提供する。 FNFは、局所時間領域とグローバル周波数領域の情報処理を単一のバックボーン内で統合し、空間的モデリングに自然に拡張することを示す。
  論文  参考訳（メタデータ） (2025-06-10T18:40:20Z)
• MFRS: A Multi-Frequency Reference Series Approach to Scalable and Accurate Time-Series Forecasting [51.94256702463408]
  時系列予測は、周波数の異なる周期特性から導かれる。 マルチ周波数参照系列相関解析に基づく新しい時系列予測手法を提案する。 主要なオープンデータセットと合成データセットの実験は、最先端のパフォーマンスを示している。
  論文  参考訳（メタデータ） (2025-03-11T11:40:14Z)
• Time-series Generation by Contrastive Imitation [87.51882102248395]
  モーメントマッチングの目的によってモチベーションされ、複合的エラーを軽減し、局所的(しかし前方的な)遷移ポリシーを最適化する。 推論において、学習されたポリシーは反復的なサンプリングのジェネレータとして機能し、学習されたエネルギーはサンプルの品質を評価するための軌道レベル尺度として機能する。
  論文  参考訳（メタデータ） (2023-11-02T16:45:25Z)
• Robust Detection of Lead-Lag Relationships in Lagged Multi-Factor Models [61.10851158749843]
  データ固有のリード-ラグ関係を発見することで、重要な洞察を得ることができる。 階層化多要素モデルにおけるリードラグ関係のロバスト検出のためのクラスタリング駆動手法を開発した。
  論文  参考訳（メタデータ） (2023-05-11T10:30:35Z)

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。