論文の概要: Sequential RC-TGAN: Generating Relational Time Series with Spectral Envelope Loss
- arxiv url: http://arxiv.org/abs/2606.31904v1
- Date: Tue, 30 Jun 2026 16:09:10 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-01 18:27:19.310919
- Title: Sequential RC-TGAN: Generating Relational Time Series with Spectral Envelope Loss
- Title（参考訳）: RC-TGAN:スペクトルエンベロープ損失による関係時系列の生成
- Abstract要約: 本稿では,RC-TGANフレームワークの時間拡張であるSequential RC-TGAN(Seq. RC-TGAN)について紹介する。
エンド・ツー・エンドのアプローチは、循環パターンの再現や長期的季節性において最先端のシステムよりも著しく優れています。
- 参考スコア（独自算出の注目度）: 2.6599014990168834
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The generation of synthetic relational databases often involves modeling complex temporal dynamics, such as transaction logs or event sequences. A significant challenge in this domain is the handling of categorical time series (e.g., status codes), where standard encoding methods like one-hot encoding fail to capture intrinsic frequency-domain features such as seasonality and cyclicity. In this paper, we introduce Sequential RC-TGAN (Seq. RC-TGAN), a temporal extension of the RC-TGAN framework, equipped with a novel integrated loss function based on the \textit{Spectral Envelope Theory}. This differentiable loss allows the generator to directly optimize the preservation of latent periodic structures via backpropagation. While spectral envelope theory is inherently designed for categorical sequences, we extend this frequency-domain regularization to continuous time series by employing a Variational Gaussian Mixture Model (VGM) discretization strategy. To establish a mathematically rigorous evaluation standard, we simulate categorical time series governed by a parameter $α$, with exactly known theoretical spectral envelopes. Integrating these dynamic sequences into the child tables of a relational database yields a robust ground-truth benchmark for evaluating the frequency-domain fidelity of our generative framework. Furthermore, we address the lack of robust evaluation standards for relational time series by proposing two new metrics: Spectral Density Divergence and Spectral Envelope Divergence. Experimental results on real-world datasets, as well as our simulated benchmarks, demonstrate that our end-to-end approach significantly outperforms state-of-the-art systems in reproducing cyclic patterns and long-term seasonality across both categorical and continuous features.
- Abstract（参考訳）: 合成関係データベースの生成は、トランザクションログやイベントシーケンスなどの複雑な時間ダイナミクスをモデル化することが多い。
この領域における重要な課題は、分類的時系列(例えばステータスコード)の扱いであり、ワンホットエンコーディングのような標準的な符号化手法は、季節性や周期性のような固有の周波数領域の特徴を捉えることができない。
本稿では, RC-TGANフレームワークの時間拡張であるSequential RC-TGAN(Seq. RC-TGAN)を紹介する。
この異なる損失により、ジェネレータはバックプロパゲーションを介して潜時周期構造の保存を直接最適化することができる。
スペクトルエンベロープ理論は本質的に分類列用に設計されているが、この周波数領域正規化は変分ガウス混合モデル(VGM)の離散化戦略を用いて連続時系列に拡張する。
数学的に厳密な評価基準を確立するために、パラメータ$α$で支配されるカテゴリーの時系列を正確に知られているスペクトル包絡でシミュレートする。
これらの動的シーケンスを関係データベースの子テーブルに組み込むことで、我々の生成フレームワークの周波数領域の忠実度を評価するための頑健な基盤構造ベンチマークが得られる。
さらに、スペクトル密度の偏差とスペクトルエンベロープの偏差という2つの新しい指標を提案することにより、関係時系列に対するロバストな評価基準の欠如に対処する。
実世界のデータセットとシミュレートされたベンチマークによる実験結果から、私たちのエンドツーエンドアプローチは、循環パターンの再現における最先端システムと、カテゴリー的特徴と連続的特徴の両方にわたる長期的季節性を大きく上回ることを示した。
関連論文リスト
- REGEN: Reference-Guided Synthetic Multivariate Time Series Generation for Forecasting [7.771378647684901]
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。
論文 参考訳（メタデータ） (2026-06-03T16:19:55Z) - Generative Modeling of Approximately Periodic Time Series by a Posterior-Weighted Gaussian Process [0.4460583138505672]
本稿では,ほぼ周期的な時系列生成モデルを提案する。
本稿では,2段階構成による繰り返し間変動から繰り返し構造を分離する手法を提案する。
論文 参考訳（メタデータ） (2026-05-13T08:17:00Z) - 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) - Forecasting as Rendering: A 2D Gaussian Splatting Framework for Time Series Forecasting [79.37674445572462]
時系列予測(TSF)は、周期内変動と周期間トレンドの複雑な絡み合いのため、依然として困難な問題である。
形状変化テンソルを静止画像として扱うと、トポロジカルミスマッチが発生する。
均一な固定サイズの表現に依存することは、モデリング能力を非効率に割り当てる。
TimeGSは、予測パラダイムをレグレッションから2D生成レンダリングに根本的にシフトする、新しいフレームワークである。
論文 参考訳（メタデータ） (2026-02-10T14:13:36Z) - Contextual and Seasonal LSTMs for Time Series Anomaly Detection [49.50689313712684]
CS-LSTM (Contextual and Seasonal LSTMs) という新しい予測型フレームワークを提案する。
CS-LSTMはノイズ分解戦略に基づいて構築され、コンテキスト依存と季節パターンを併用する。
彼らは一貫して最先端の手法を上回り、堅牢な時系列異常検出における有効性と実用的価値を強調した。
論文 参考訳（メタデータ） (2026-02-10T11:46:15Z) - A Unified Frequency Domain Decomposition Framework for Interpretable and Robust Time Series Forecasting [81.73338008264115]
時系列予測の現在のアプローチは、時間領域であれ周波数領域であれ、主に線形層やトランスフォーマーに基づいたディープラーニングモデルを使用する。
本稿では,多種多様な時系列を数学的に抽象化する統合周波数領域分解フレームワークFIREを提案する。
火は長期予測ベンチマークで最先端のモデルを一貫して上回る。
論文 参考訳（メタデータ） (2025-10-11T09:59:25Z) - 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) - Causal Temporal Regime Structure Learning [49.77103348208835]
本稿では,DAG(Directed Acyclic Graph)を並列に学習する新しい手法であるCASTORを提案する。
我々は我々の枠組みの中で体制とDAGの識別可能性を確立する。
実験により、CASTORは既存の因果発見モデルより一貫して優れていることが示された。
論文 参考訳（メタデータ） (2023-11-02T17:26:49Z) - Stochastically forced ensemble dynamic mode decomposition for
forecasting and analysis of near-periodic systems [65.44033635330604]
本稿では,観測力学を強制線形系としてモデル化した新しい負荷予測手法を提案する。
固有線型力学の利用は、解釈可能性やパーシモニーの観点から、多くの望ましい性質を提供することを示す。
電力グリッドからの負荷データを用いたテストケースの結果が提示される。
論文 参考訳（メタデータ） (2020-10-08T20:25:52Z)
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。