論文の概要: StrideDiffusion: Accelerating Diffusion Models for Time-series Generation
- arxiv url: http://arxiv.org/abs/2607.20545v1
- Date: Mon, 13 Jul 2026 09:57:04 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-27 00:46:13.226665
- Title: StrideDiffusion: Accelerating Diffusion Models for Time-series Generation
- Title（参考訳）: StrideDiffusion: 時系列生成のための拡散モデルの高速化
- Abstract要約: 我々は、バンドレベルの活動から雑音除去ストライドを適応的に選択する、トレーニング不要なスペクトル認識サンプリングであるStrideDiffusionを紹介する。
6つの無条件時系列生成ベンチマークで、StrideDiffusionは500/1000ステップではなく14-66関数の評価しか使用していない。
- 参考スコア（独自算出の注目度）: 8.472893059097624
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Diffusion models have become competitive generators for time series, but their practical use is limited by the large number of sequential denoising steps required at inference time. Existing fast samplers typically use fixed or generic timestep schedules, overlooking a distinctive property of time-series diffusion: different spectral bands evolve at different rates during the reverse process. We introduce StrideDiffusion, a training-free spectral-aware sampler that adaptively selects the denoising stride from band-level activity. At each step, StrideDiffusion monitors relative band energy, log-power drift, and phase velocity to identify whether high- frequency dynamics remain active or whether the trajectory is dominated by stable low-frequency structure. It then takes fine steps when rapidly varying bands are active and larger jumps once only coarse components remain. A bandwise stability analysis shows that inactive frequency bands change only linearly with the jump size under deterministic affine reverse updates, providing a local justification for spectral activity as a step-size indicator. Across six unconditional time-series generation benchmarks, StrideDiffusion uses only 14-66 function evaluations instead of 500/1000 denoising steps, achieving up to 18.9x wall-clock speedup while preserving or improving generation quality. On conditional imputation and forecasting, it further delivers 5-14x average acceleration with comparable predictive accuracy. These results show that spectral evolution provides a practical and principled signal for fast time-series diffusion sampling. Our code is available at https://anonymous.4open.science/r/stridediff-ts.
- Abstract（参考訳）: 拡散モデルは時系列の競合生成器となっているが、その実用性は推論時に要求される多くの逐次デノナイジングステップによって制限されている。
既存の高速サンプリング器は通常、固定時間または一般的なタイムステップスケジュールを使用し、時系列拡散の特徴的な特性を見渡す:異なるスペクトルバンドは逆過程の間に異なる速度で進化する。
我々は、バンドレベルの活動から雑音除去ストライドを適応的に選択する、トレーニング不要なスペクトル認識サンプリングであるStrideDiffusionを紹介する。
それぞれのステップにおいて、StrideDiffusionは相対バンドエネルギー、対数パワードリフト、位相速度を監視して、高周波力学がアクティブであるか、軌道が安定な低周波構造によって支配されているかを特定する。
その後、急速に変化するバンドがアクティブになり、粗いコンポーネントのみが残ると大きなジャンプが行われると、細かいステップを踏む。
バンドワイド安定性解析により、不活性周波数帯域は、決定論的アフィン逆更新の下でのジャンプサイズにのみ線形に変化し、ステップサイズの指標としてスペクトル活性の局所的正当性を与えることが示された。
6つの無条件の時系列生成ベンチマークで、StrideDiffusionは500/1000ステップではなく14-66関数の評価しか使用せず、生成品質を保留または改善しながら最大18.9倍のウォールクロックスピードアップを実現している。
条件付き計算と予測では、さらに5-14倍の平均加速度を同等の予測精度で提供する。
これらの結果から,スペクトル進化は高速な時系列拡散サンプリングのための実用的で原理的な信号であることがわかった。
私たちのコードはhttps://anonymous.4open.science/r/stridediff-tsで利用可能です。
関連論文リスト
- Diversify Diffusion with Temperature Sampling and Variance-Corrective Time Shifting [57.75750707482832]
本稿では,モード再重み付けを保ちながら分散インフレーションをキャンセルし,ネットワークをシフトタイムステップでクエリし,その結果のスコアを$$でスケールするトレーニング不要な修正である分散補正時間シフトを導入する。
DiT, 安定拡散モデル, 運動拡散モデルにまたがる品質と条件の忠実度を, 最小限のコストで一貫したゲインを示す。
論文 参考訳（メタデータ） (2026-07-12T17:32:29Z) - UniSkip-Mamba: A Frequency-Aware State Space Model for Audio-Visual Temporal Forgery Localization [13.738195795114516]
周波数対応状態空間モデルフレームワークUniSkip-Mambaを提案する。
AV-Deepfake1Mでは63.4%のAP@0.95,63.58%のmAP,6倍の高速化を実現した。
論文 参考訳（メタデータ） (2026-07-05T20:51:24Z) - HyFAD: Hybrid Time-Frequency Diffusion with Frequency-Aware Embedding for Time Series Imputation [10.212955864311589]
時系列計算のための時間周波数拡散モデルである textbfHyFAD を提案する。
周波数領域拡散プロセスは高周波スペクトル成分を洗練させる一方、低周波グローバルトレンドを捉える。
複数のベンチマークデータセットの実験は、HyFADが最先端のパフォーマンスを達成することを示した。
論文 参考訳（メタデータ） (2026-06-03T06:03:37Z) - Adaptive Spectral Feature Forecasting for Diffusion Sampling Acceleration [58.19554276924402]
スペクトル拡散特徴予測器(Spectrum)を提案する。
我々はFLUX.1で4.79$times$スピードアップ、Wan2.1-14Bで4.67$times$スピードアップを達成する。
論文 参考訳（メタデータ） (2026-03-02T08:59:11Z) - StaTS: Spectral Trajectory Schedule Learning for Adaptive Time Series Forecasting with Frequency Guided Denoiser [17.214288935424936]
StaTSは確率的時系列予測のための拡散モデルであり、更新の交互にノイズスケジュールと雑音を学習する。
複数の実世界のベンチマークの実験では、サンプリングステップが少なく、強いパフォーマンスを維持しながら、一貫した利得を示している。
論文 参考訳（メタデータ） (2026-02-08T09:42:59Z) - FADTI: Fourier and Attention Driven Diffusion for Multivariate Time Series Imputation [26.523421387059035]
本稿では,FBP(Fourier Bias Projection)モジュールを介して周波数インフォームド特徴変調を注入する拡散型フレームワークであるFADTIを提案する。
新たに導入された生物学的時系列データセットを含む複数のベンチマークの実験は、FADTIが一貫して最先端の手法より優れていることを示している。
論文 参考訳（メタデータ） (2025-12-17T06:16:31Z) - PAS: A Training-Free Stabilizer for Temporal Encoding in Video LLMs [57.790910044227935]
ビデオLLMは時間的不整合に悩まされ、フレームタイミングの小さなシフトは注意をそらすことができ、関連するフレームを抑えることができる。
本稿では, 位相アグリゲード平滑化(PAS)について述べる。これは, 頭部に小さな反対位相オフセットを適用して, 出力を集約する学習自由機構である。
解析の結果,RoPE回転ロジットは,時間核でスケールしたコンテントドット積として近似でき,このカーネルを滑らかにすることで,小さな時間シフトに対する注意のリプシッツ安定性が得られ,マルチフェーズ平均化は,Nyquist-valid サンプリング下での頭当たりスペクトルを保ちながら高周波リップルを減衰させることがわかった。
論文 参考訳（メタデータ） (2025-11-14T05:56:47Z) - WaveletDiff: Multilevel Wavelet Diffusion For Time Series Generation [15.28917997999402]
WaveletDiffは、時系列データ固有の多重解像度構造を利用するために、ウェーブレット係数上で拡散モデルを直接訓練する新しいフレームワークである。
最先端の時間領域と周波数領域の生成手法を5つの異なるパフォーマンス指標で比較すると、一貫して性能が向上する。
論文 参考訳（メタデータ） (2025-10-13T18:47:33Z) - LSCD: Lomb-Scargle Conditioned Diffusion for Time series Imputation [55.800319453296886]
欠落または不規則なサンプルデータを持つ時系列は、機械学習において永続的な課題である。
我々は,不規則サンプルデータのパワースペクトルの信頼性の高い計算を可能にする,異なるLombiable-Scargle層を導入する。
論文 参考訳（メタデータ） (2025-06-20T14:48:42Z) - Towards More Accurate Diffusion Model Acceleration with A Timestep Tuner [112.99126045081046]
数千のデノナイジングステップを用いて画像を生成するために定式化された拡散モデルは通常、遅い推論速度に悩まされる。
最小コストで特定の区間に対してより正確な積分方向を求めるのに役立つtextbftimestep tunerを提案する。
実験により,我々のプラグイン設計を効率的に訓練し,様々な最先端加速度法の推論性能を向上できることが示された。
論文 参考訳（メタデータ） (2023-10-14T02:19:07Z) - DiffuSeq-v2: Bridging Discrete and Continuous Text Spaces for
Accelerated Seq2Seq Diffusion Models [58.450152413700586]
ガウス空間に基づく離散突然変異を再構成する学習において拡散モデルを容易にする軟吸収状態を導入する。
我々は、サンプリングプロセスの高速化のために、連続空間内で最先端のODEソルバを用いている。
提案手法は, トレーニング収束率を4倍に向上させ, 類似品質のサンプルを800倍高速に生成する。
論文 参考訳（メタデータ） (2023-10-09T15:29:10Z)
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。