論文の概要: A Causal DAG Prior for Synthetic Time-Series Classification Datasets

• arxiv url: http://arxiv.org/abs/2606.21776v1
• Date: Fri, 19 Jun 2026 21:50:33 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-06-23 15:22:33.273608
• Title: A Causal DAG Prior for Synthetic Time-Series Classification Datasets
• Title（参考訳）: 合成時系列分類データセットに先立つ因果DAG
• Authors: Franco Martino O'Rourke, Ana Trisovic, Dimitris Bertsimas,
• Abstract要約: 2つのモードにわたるタイプノード上のランダムサンプリングDAGから各データセットを合成する因果前処理を導入する。 我々はTabPFN v2.5を最小限の適応で微調整し、TabPFNのオペレーティングシステム内で75のUCR/UEAデータセットを評価する。
• 参考スコア（独自算出の注目度）: 4.700908434131285
• License:
• Abstract: A Prior-data fitted Network learns the posterior predictive induced by its training prior; bringing this paradigm to multivariate time-series classification therefore calls for a synthetic generator that produces complete labelled datasets with temporal structure. We introduce a causal prior that synthesizes each dataset from a randomly sampled DAG over typed nodes across two modalities (tabular attributes and time series), natively producing multivariate, multi-class TSC datasets with cross-modal causal structure across channels, timesteps and labels, a regime not addressed by existing synthetic priors. To validate the prior, we finetune TabPFN v2.5 with minimal adaptations and evaluate on 75 UCR/UEA datasets within TabPFN's operating regime. Finetuning on our generator significantly outperforms both the unmodified upstream model and a tabular-only ablation of the same prior (Wilcoxon signed-rank $p=3.0\times 10^{-8}$ on ROC-AUC), isolating the contribution of the cross-modal temporal structure.
• Abstract（参考訳）: 事前データ適合型ネットワークは、そのトレーニングによって引き起こされる後続予測を学習し、このパラダイムを多変量時系列分類に持ち込むことで、時間構造を持つ完全なラベル付きデータセットを生成する合成生成装置を要求される。 本稿では,2つのモード(タブラル属性と時系列)にまたがって,ランダムにサンプリングされたDAGから各データセットを合成し,チャネル,タイムステップ,ラベルにまたがる相互因果構造を持つ多変量多クラスTSCデータセットをネイティブに生成する。 評価のために,TabPFN v2.5を最小限の適応で微調整し,TabPFNのオペレーティングシステム内で75のUCR/UEAデータセットを評価する。 ROC-AUC上のWilcoxon sign-rank $p=3.0\times 10^{-8}$) は, 経時的構造の寄与を分離する。

関連論文リスト

• SurF: A Generative Model for Multivariate Irregular Time Series Forecasting [9.605729240308543]
  本稿では,イベントシーケンスと単位レート指数雑音を学習する生成モデルであるSurFを提案する。 実世界の6つのベンチマークで、SurFは地震、リツイート、タオバオに関する最高のRMSEを達成している。 厳格なLeft-outプロトコルの下では、SurFは5/6データセット上の古典的およびニューラル自動回帰ベースラインをすべて破る。
  論文  参考訳（メタデータ） (2026-05-13T19:46:48Z)
• Latent Chain-of-Thought Improves Structured-Data Transformers [26.742304109602614]
  本稿では,遅延連鎖と,構造データに対する深さとループの影響について検討する。 我々は、潜在チェーン・オブ・シントが構造化データに対するテスト時間計算のスケーリングに有用な軸であることを示している。
  論文  参考訳（メタデータ） (2026-05-11T21:41:21Z)
• Mitra: Mixed Synthetic Priors for Enhancing Tabular Foundation Models [85.64873567417396]
  実世界のデータに対して,その多様性,特異性,および性能のために選択された合成前駆体の硬化した混合物をトレーニングしたTFMであるMitraを紹介する。 Mitraは、TabPFNv2やTabICLのような最先端のTFMを、分類と回帰のベンチマークで一貫して上回っている。
  論文  参考訳（メタデータ） (2025-10-24T07:15:06Z)
• 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)
• 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)
• TimeAutoDiff: Combining Autoencoder and Diffusion model for time series tabular data synthesizing [13.385264002435145]
  本稿では、遅延拡散モデルのパワーを活用して、合成時系列表データを生成する。 可変オートエンコーダ(VAE)と拡散確率モデル(DDPM)のアイデアを組み合わせることでこの問題に対処する。 textttTimeAutoDiffという名前の私たちのモデルは、(1)汎用性:単一から複数シーケンスのデータセットの幅広い時系列データを処理できる能力など、いくつかの大きな利点があります。
  論文  参考訳（メタデータ） (2024-06-23T06:32:27Z)
• Joint Bayesian Inference of Graphical Structure and Parameters with a Single Generative Flow Network [59.79008107609297]
  本稿では,ベイジアンネットワークの構造上の結合後部を近似する手法を提案する。 サンプリングポリシが2フェーズプロセスに従う単一のGFlowNetを使用します。 パラメータは後部分布に含まれるため、これは局所確率モデルに対してより柔軟である。
  論文  参考訳（メタデータ） (2023-05-30T19:16:44Z)
• Continuous-time convolutions model of event sequences [46.3471121117337]
  イベントシーケンスは不均一でスパースであり、従来のモデルは不適当である。 我々は、時間とともに一様でない事象の発生を処理するために設計された効率的な畳み込みニューラルネットワークに基づくCOTICを提案する。 COTICは、次のイベント時間とタイプを予測する際に既存のモデルよりも優れており、最も近いライバルの3.714と比較して平均1.5のランクに達している。
  論文  参考訳（メタデータ） (2023-02-13T10:34:51Z)
• Imputing Missing Observations with Time Sliced Synthetic Minority Oversampling Technique [0.3973560285628012]
  本稿では,データセット内の各サンプルに対して均一な不規則な時系列を構成することを目的とした,単純かつ斬新な時系列計算手法を提案する。 我々は、観測時間の重複しないビン(「スライス」と呼ばれる)の中間点で定義される格子を固定し、各サンプルが所定の時間にすべての特徴に対して値を持つことを保証する。 これにより、完全に欠落した観察をインプットし、データ全体の時系列の均一な分類を可能にし、特別な場合には個々の欠落した特徴をインプットすることができる。
  論文  参考訳（メタデータ） (2022-01-14T19:23:24Z)

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。