論文の概要: Do Generative Models Keep Time? A Time-Aware Evaluation of Synthetic Sequential Tabular Data

• arxiv url: http://arxiv.org/abs/2607.15606v1
• Date: Fri, 17 Jul 2026 03:59:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-20 17:56:52.746135
• Title: Do Generative Models Keep Time? A Time-Aware Evaluation of Synthetic Sequential Tabular Data
• Title（参考訳）: 生成モデルは時間を維持するか? 合成逐次語彙データの時間的評価
• Abstract要約: 時間的忠実度を評価するための分類誘導評価プロトコルを提案する。 このプロトコルを、6つの領域にまたがる13のデータセットの8つの生成モデルに適用する。
• 参考スコア（独自算出の注目度）: 28.948173366251286
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Synthetic sequential tabular data are increasingly used for privacy-preserving data sharing, yet a generator can reproduce every marginal and every foreign-key relationship while emitting timestamps that run backwards or repeat, and while sending entities along paths that no real entity followed. Conventional tabular evaluation, which pools records into static distributions, is blind to such failures. We present a taxonomy-guided evaluation protocol for temporal fidelity, in which the applicable measurements are determined by the data rather than fixed in advance. Each dataset is first characterized along four properties: how time is represented, whether observations are regularly sampled, whether trajectories are mutually dependent, and how the schema links entities to their histories. These properties determine which evaluation dimensions are meaningful. The protocol then measures timestamp validity, cross-sectional structure at aligned time points, within-entity dynamics, and time-varying relational structure, and recasts utility and privacy evaluation over trajectories rather than isolated rows. We apply the protocol to eight generative models across thirteen datasets spanning six domains. Rankings under conventional evaluation disagree substantially with those obtained under temporal evaluation, and the resulting failures are architecture-coherent rather than random. Temporal fidelity must therefore be measured on the time axis itself, rather than inferred from pooled record distributions.
• Abstract（参考訳）: シンセティックシーケンシャルなタブラデータは、プライバシを保存するデータ共有にますます使われていますが、ジェネレータは、後ろ向きやリピートするタイムスタンプを出力しながら、実際のエンティティが従わないパスに沿ってエンティティを送信しながら、すべての辺縁とあらゆる外国キーの関係を再現することができます。 レコードを静的な分布にプールする従来の表型評価は、そのような失敗には盲目である。 本稿では,時間的忠実度を評価するための分類誘導評価プロトコルについて述べる。 それぞれのデータセットは、時間がどのように表現されるか、観測が定期的にサンプリングされるか、軌跡が相互に依存しているか、スキーマがエンティティと履歴をリンクする方法の4つの特性に沿って特徴づけられる。 これらの性質はどの評価次元が意味を持つかを決定する。 このプロトコルは、タイムスタンプの妥当性、整列時間点における断面積構造、イントラエンタリティのダイナミクス、時間変化のリレーショナル構造を測定し、孤立した行ではなくトラジェクトリに対するユーティリティとプライバシの評価を再放送する。 このプロトコルを、6つの領域にまたがる13のデータセットの8つの生成モデルに適用する。 従来の評価対象のランキングは時間的評価対象のランキングと大きく異なっており、結果の失敗はランダムではなくアーキテクチャに一貫性がある。 したがって、時空の忠実度は、プールされたレコード分布から推定されるのではなく、時間軸自身で測定されなければならない。

関連論文リスト

• LiFTER: A Grounded Neuro-Symbolic Microscope for Continuous-Time Dynamic Graph Forecasting [0.0]
  連続時間動的グラフモデルは、過去の相互作用をニューラルステートに圧縮することで将来のリンクを予測する。 LiFTERは、観測された相互作用を時間的事実として保存する神経共生予測器である。 LiFTERは、競合する歴史的負の予測を達成し、c-カレンシーと削除忠実度が最も高いマクロ説明を行う。
  論文  参考訳（メタデータ） (2026-08-07T03:39:09Z)
• DoTime: A Synthetic Benchmark Generator for Interventional and Counterfactual Time Series [3.2517081185249075]
  介入を伴う時間構造因果モデルのオープンでスケーラブルで理論的に基礎付けられた生成器である textbfDoTime を紹介した。 従来のジェネレータにはない機能が追加されている: 連続時間介入アンファンドウ、実証ガード付き対実サンプリングモード、レギュラースイッチングSCM。 因果的基礎モデル参照実装の先行としてジェネレータの適合性を示す。
  論文  参考訳（メタデータ） (2026-07-29T07:46:44Z)
• TimeLAVA: Learning-Agnostic Data Valuation for Time Series [48.76711740818533]
  TimeLAVAは、評価データと参照データの間の分布差を最小限に抑えるために、時間セグメントを限界貢献によって評価する学習非依存のフレームワークである。 モデルに依存しない一般化にバリュエーションをリンクする理論的保証を提供し、汚染に対する有界感度を証明する。
  論文  参考訳（メタデータ） (2026-06-17T06:16:16Z)
• Estimating Mutual Information between Time Series and Temporal Event Sequences Across Diverse Analysis Tasks [21.6590064392125]
  時系列とイベントシーケンス間の依存度を測定する非パラメトリックな相互情報推定器を提案する。 本手法は,実世界の時系列の連続離散双対性をモデル化し,量子化と繰り返し値のアーティファクトを処理する。 合成および実世界のデータセットの実験は、精度、堅牢性、解釈可能性において既存の手法よりも一貫した改善を示している。
  論文  参考訳（メタデータ） (2026-06-01T02:56:50Z)
• 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)
• Relational Conformal Prediction for Correlated Time Series [56.59852921638328]
  時系列における不確実性定量化の問題を相関配列を利用して解決する。 共形予測フレームワークと量子レグレッションに基づく分布自由な新しい手法を提案する。 我々の手法は正確なカバレッジを提供し、関連するベンチマークで最先端の不確実性定量化を実現する。
  論文  参考訳（メタデータ） (2025-02-13T16:12:17Z)
• Evaluating Inter-Column Logical Relationships in Synthetic Tabular Data Generation [49.898152180805454]
  本稿では,論理的関係の保存性を評価するための3つの評価指標を提案する。 実世界の産業データセット上での古典的手法と最先端の手法の両方の性能を評価することにより,これらの指標を検証する。
  論文  参考訳（メタデータ） (2025-02-06T13:13:26Z)
• From Link Prediction to Forecasting: Addressing Challenges in Batch-based Temporal Graph Learning [0.716879432974126]
  バッチ指向評価の適合性はデータセットの特性に依存することを示す。 連続時間時間グラフの場合、固定サイズのバッチは異なる期間の時間ウィンドウを生成し、不整合な動的リンク予測タスクをもたらす。 離散時間時間時間グラフの場合、バッチのシーケンスはデータに存在しない時間的依存関係を付加することができる。
  論文  参考訳（メタデータ） (2024-06-07T12:45:12Z)
• Graph-based Forecasting with Missing Data through Spatiotemporal Downsampling [24.368893944128086]
  時系列間の関係をグラフとして表現することで、時空間グラフニューラルネットワークは印象的な結果を得る。 既存のほとんどのメソッドは、入力が常に利用可能であり、データの一部が欠落しているときに隠れたダイナミクスをキャプチャできないという、しばしば非現実的な仮定に依存しています。
  論文  参考訳（メタデータ） (2024-02-16T12:33:31Z)
• TimeSiam: A Pre-Training Framework for Siamese Time-Series Modeling [67.02157180089573]
  時系列事前トレーニングは、最近、ラベルのコストを削減し、下流の様々なタスクに利益をもたらす可能性があるとして、広く注目を集めている。 本稿では,シームズネットワークに基づく時系列の簡易かつ効果的な自己教師型事前学習フレームワークとしてTimeSiamを提案する。
  論文  参考訳（メタデータ） (2024-02-04T13:10:51Z)
• 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)

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。