論文の概要: Diffusion-Driven State Space Models

• arxiv url: http://arxiv.org/abs/2606.21036v1
• Date: Fri, 19 Jun 2026 02:00:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-26 08:48:04.17791
• Title: Diffusion-Driven State Space Models
• Title（参考訳）: 拡散駆動状態空間モデル
• Authors: Jack Ruder, Michael Wojnowicz,
• Abstract要約: 本稿では,従来のガウス遷移分布を拡散モデルに置き換えた拡散駆動状態空間モデル(DDSSM)を提案する。 OurSMは、時系列データ上でオートエンコーダと拡散モデルを共同でトレーニングする方法のオープンな問題を解決し、時系列の遅延拡散モデルに関する文献を拡張する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In many domains, practitioners seek models that produce accurate forecasts while faithfully capturing latent system dynamics. Existing approaches typically sacrifice one of these goals: deep state space models often assume Gaussian latent transitions, limiting fit and forecasting, while diffusion models are highly expressive but lack principled inference for the underlying dynamics. To combine the strengths of both, we introduce the Diffusion-Driven State Space Model (DDSSM), which replaces the conventional Gaussian transition distribution with a diffusion model. Our DDSSM resolves the open problem of how to jointly train an autoencoder and a diffusion model on sequential data, thereby extending the literature on latent diffusion models for time series. Moreover, we find that the DDSSM empirically outperforms a state-of-the-art deep SSM at fitting and forecasting a simulated time series with multimodal transitions.
• Abstract（参考訳）: 多くのドメインにおいて、実践者は正確な予測を生成するモデルを模索し、潜在システムのダイナミクスを忠実に捉えている。 深い状態空間モデルは、しばしばガウスの潜伏遷移を仮定し、適合と予測を制限し、拡散モデルは非常に表現力が高いが、基礎となる力学の原理的推論を欠いている。 両モデルの長所を組み合わせるために,従来のガウス遷移分布を拡散モデルに置き換えた拡散駆動状態空間モデル(DDSSM)を導入する。 我々のDDSSMは、時系列データ上でオートエンコーダと拡散モデルを共同で訓練する方法のオープンな問題を解決し、時系列の潜時拡散モデルに関する文献を拡張します。 さらに、DDSSMは、マルチモーダル遷移を伴うシミュレーション時系列の適合と予測において、最先端の深部SSMを実証的に上回ります。

関連論文リスト

• Enhancing few-shot time series forecasting with LLM-guided diffusion [12.286204074670236]
  専門分野における時系列予測は、データ可用性の制限によって制約されることが多い。 本稿では,大言語モデルの表現力と拡散モデルの生成能力を統合する新しい学習フレームワークLTSM-DIFFを提案する。 我々の研究はデータ不足下での時系列解析の新しいパラダイムを確立する。
  論文  参考訳（メタデータ） (2026-01-19T06:30:05Z)
• Coevolutionary Continuous Discrete Diffusion: Make Your Diffusion Language Model a Latent Reasoner [66.86440230599656]
  拡散言語モデルは必ずしも離散空間にある必要はないと主張する。 特に、連続拡散モデルが離散拡散やループ変換器よりも強い表現性を持つことを示す。 本稿では,連続表現空間と離散トークン空間の結合に関する共同多モード拡散過程を定義する共進化連続拡散法(CCDD)を提案する。
  論文  参考訳（メタデータ） (2025-10-03T17:44:41Z)
• Continuous Diffusion Model for Language Modeling [64.7425225935854]
  離散的データに対する既存の連続拡散モデルは離散的手法と比較して性能が劣る。 本稿では,下層の分類分布の幾何学を組み込んだ言語モデリングのための連続拡散モデルを提案する。 本手法は,既存の離散拡散モデルより優れ,自己回帰モデルの性能にアプローチする。
  論文  参考訳（メタデータ） (2025-02-17T08:54:29Z)
• Auto-Regressive Moving Diffusion Models for Time Series Forecasting [2.3814052021083354]
  時系列予測(TSF)は,様々な領域において不可欠であり,近年の拡散型TSFモデルの進歩は大きな可能性を示唆している。 本稿では,連続的な拡散に基づくTSFを実現するために,新しい自己回帰移動拡散(ARMD)モデルを提案する。 本稿では,未来系列を初期状態として,歴史系列を最終状態として,拡散過程を再解釈する。
  論文  参考訳（メタデータ） (2024-12-12T14:51:48Z)
• Heavy-Tailed Diffusion Models [38.713884992630675]
  従来の拡散・流れマッチングモデルでは, 重み付き挙動を捉えることができないことを示す。 ヘビーテール推定のための拡散フレームワークを再利用することで、この問題に対処する。 既存の拡散・流動モデルの拡張である t-EDM と t-Flow を導入する。
  論文  参考訳（メタデータ） (2024-10-18T04:29:46Z)
• Unifying Diffusion Models' Latent Space, with Applications to CycleDiffusion and Guidance [95.12230117950232]
  関係領域で独立に訓練された2つの拡散モデルから共通潜時空間が現れることを示す。 テキスト・画像拡散モデルにCycleDiffusionを適用することで、大規模なテキスト・画像拡散モデルがゼロショット画像・画像拡散エディタとして使用できることを示す。
  論文  参考訳（メタデータ） (2022-10-11T15:53:52Z)
• Diffusion Models in Vision: A Survey [73.10116197883303]
  拡散モデルは、前方拡散段階と逆拡散段階の2つの段階に基づく深層生成モデルである。 拡散モデルは、既知の計算負荷にもかかわらず、生成したサンプルの品質と多様性に対して広く評価されている。
  論文  参考訳（メタデータ） (2022-09-10T22:00:30Z)

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。