論文の概要: UPLOTS: A Unified Pretrained Language Model for Constrained Time-series Generation

• arxiv url: http://arxiv.org/abs/2606.10466v2
• Date: Wed, 17 Jun 2026 09:27:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-18 13:57:35.008259
• Title: UPLOTS: A Unified Pretrained Language Model for Constrained Time-series Generation
• Title（参考訳）: UPLOTS:制約付き時系列生成のための統一事前訓練言語モデル
• Authors: Du Yin, Hao Xue, Jinliang Deng, Yang Yang, Shuang Ao, Arian Prabowo, Flora Salim,
• Abstract要約: UPLOTS(Unified, Prompt-guided Language framework fOrtrained Time-Series Generation)を提案する。 タスク固有のモデルを構築する代わりに、UPLOTSは学習された制約プロンプトによって導かれる1つの事前訓練されたトランスフォーマーバックボーンを利用する。 UPLOTSを4つの実世界のベンチマークと、ピーク時、カレンダー、負荷レベル、ボラティリティパターンを含む複数の制約設定で評価する。
• 参考スコア（独自算出の注目度）: 9.651308133504818
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In time-series generation, existing approaches typically handcraft ortrain a separate model for each dataset, which hinders their scalability and fails to leverage shared temporal structures across domains. To address this fragmentation, we propose UPLOTS, a Unified, Prompt-guided Language model framework fOr constrained Time-Series Generation across diverse domains. Instead of building task-specific models, UPLOTS leverages a single pre-trained transformer backbone guided by learned constraint prompts, enabling on-demand generation with precise pattern control. One key innovation is our dynamic multi-dataset loss re-weighting and prompt-to-pattern mapping, which allows UPLOTS to internalize diverse temporal structures during training and conditionally generate them at inference. We evaluate UPLOTS on four real-world benchmarks and multiple constraint settings, including peak-period, calendar, load-level, and volatility patterns. Additional held-out constraint-combination and downstream forecasting experiments further demonstrate that UPLOTS generalizes beyond the original peak-pattern setting and improves data augmentation under scarce real-data regimes. Our code and baselines are available at anonymous github repo: https://anonymous.4open.science/r/UPLOTS-6C36.
• Abstract（参考訳）: 時系列生成では、既存のアプローチは通常、データセット毎に個別のモデルを手作業または訓練する。 この断片化を解決するために、UPLOTS(Unified, Prompt-guided Language model framework fOr constrained Time-Series Generation)を提案する。 タスク固有のモデルを構築する代わりに、UPLOTSは学習された制約プロンプトによってガイドされる単一の事前訓練されたトランスフォーマーバックボーンを活用し、正確なパターン制御によるオンデマンド生成を可能にする。 これにより、UPLOTSはトレーニング中にさまざまな時間構造を内部化し、推論時に条件付きで生成することが可能になります。 UPLOTSを4つの実世界のベンチマークと、ピーク時、カレンダー、負荷レベル、ボラティリティパターンを含む複数の制約設定で評価する。 さらに、UPLOTSが元のピークパターン設定を超えて一般化し、少ない実データ体制下でのデータ拡張を改善することを実証した。 私たちのコードとベースラインは、匿名のgithubリポジトリで利用可能です。

関連論文リスト

• ADAPTive Input Training for Many-to-One Pre-Training on Time-Series Classification [12.086280297671282]
  本稿では,ADAPTと呼ばれる時系列データのための事前学習パラダイムを提案する。 ADAPTは時系列領域におけるデータの物理的特性を効率的に調整し、混合バッチ事前トレーニングを可能にする。 我々は162の時系列分類データセットをトレーニングし、分類ベンチマークのための新しい最先端性能を設定した。
  論文  参考訳（メタデータ） (2026-04-09T15:58:30Z)
• It's TIME: Towards the Next Generation of Time Series Forecasting Benchmarks [87.7937890373758]
  時系列基礎モデル(TSFM)は,特定のデータセットモデルから一般化可能なタスク評価に至るまで,予測環境に革命をもたらしている。 我々は、50の新しいデータセットと98の予測タスクからなる次世代タスク中心のベンチマークであるTIMEを紹介する。 静的なメタラベルに基づく従来のデータセットレベルの評価を超える新しいパターンレベルの評価視点を提案する。
  論文  参考訳（メタデータ） (2026-02-12T16:31:01Z)
• UniDiff: A Unified Diffusion Framework for Multimodal Time Series Forecasting [90.47915032778366]
  マルチモーダル時系列予測のための統合拡散フレームワークUniDiffを提案する。 コアには統一的で並列な融合モジュールがあり、単一のクロスアテンション機構がタイムスタンプからの構造化情報とテキストからのセマンティックコンテキストを統合する。 8つの領域にわたる実世界のベンチマークデータセットの実験は、提案したUniDiffモデルが最先端のパフォーマンスを達成することを示す。
  論文  参考訳（メタデータ） (2025-12-08T05:36:14Z)
• Estimating Time Series Foundation Model Transferability via In-Context Learning [74.65355820906355]
  時系列基礎モデル(TSFM)は、大規模な事前訓練を通じて強力なゼロショット予測を提供する。 微調整は、公開データに制限のあるドメインのパフォーマンス向上に依然として不可欠である。 モデル選択をコンテキスト内学習問題として再キャストする転送可能性推定フレームワークであるTimeTicを紹介する。
  論文  参考訳（メタデータ） (2025-09-28T07:07:13Z)
• Time Series Generation Under Data Scarcity: A Unified Generative Modeling Approach [7.631288333466648]
  データ・スカース・セッティングにおける主要な生成モデルを評価するための大規模な研究を初めて行った。 本稿では,いくつかの例を用いて高忠実度時系列を合成できる拡散型統合生成フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-05-26T18:39:04Z)
• UniTST: Effectively Modeling Inter-Series and Intra-Series Dependencies for Multivariate Time Series Forecasting [98.12558945781693]
  フラット化されたパッチトークンに統一された注意機構を含む変圧器ベースモデルUniTSTを提案する。 提案モデルでは単純なアーキテクチャを採用しているが,時系列予測のためのいくつかのデータセットの実験で示されたような,魅力的な性能を提供する。
  論文  参考訳（メタデータ） (2024-06-07T14:39:28Z)
• Generative Pretrained Hierarchical Transformer for Time Series Forecasting [3.739587363053192]
  予測のための新しい生成事前学習型階層型トランスフォーマーアーキテクチャ,textbfGPHTを提案する。 主流の自己教師付き事前学習モデルと教師付きモデルを用いて,8つのデータセット上で十分な実験を行う。 その結果、GPHTは、従来の長期予測タスクにおいて、様々な微調整およびゼロ/フェーショット学習設定のベースラインモデルを上回ることを示した。
  論文  参考訳（メタデータ） (2024-02-26T11:54:54Z)
• Unified Training of Universal Time Series Forecasting Transformers [104.56318980466742]
  マスク型ユニバーサル時系列予測変換器(モイライ)について述べる。 Moiraiは、新たに導入された大規模オープンタイムシリーズアーカイブ(LOTSA)で訓練されており、9つのドメインで27億以上の観測が行われた。 Moiraiは、フルショットモデルと比較してゼロショットの予測器として、競争力や優れたパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2024-02-04T20:00:45Z)

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。