論文の概要: Differencing the Diffusion Trajectory toward Uncertain Components for Time Series Forecasting

• arxiv url: http://arxiv.org/abs/2607.22599v1
• Date: Fri, 12 Jun 2026 11:50:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-28 05:09:55.131208
• Title: Differencing the Diffusion Trajectory toward Uncertain Components for Time Series Forecasting
• Title（参考訳）: 時系列予測のための不確かさ成分への拡散軌道の拡散
• Abstract要約: 拡散軌道自体に予測可能性非対称性を埋め込む拡散フレームワークであるDiffDiffを提案する。 4つの予測地平線にわたる7つのベンチマークでは、DiffDiffは6つの拡散ベースラインを上回っている。
• 参考スコア（独自算出の注目度）: 22.889720488678076
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Diffusion models have become a widely used framework for probabilistic time series forecasting, modeling the distribution of future values given an observed history. In time series forecasting, however, the future continues the observed history, creating an asymmetry the standard diffusion process leaves unaddressed, with slowly-varying content largely determined by the observed continuity while higher-frequency dynamics carry most of the residual uncertainty. Existing diffusion-based forecasters decouple this asymmetry through an external rule before generation, leaving the corruption trajectory blind to which parts of the target the history can already anchor. We propose DiffDiff, a diffusion framework that embeds this predictability asymmetry into the diffusion trajectory itself, so that a single end-to-end diffusion process becomes aware of which parts of the target the history can already anchor. DiffDiff makes the forward operator step-dependent so that the noisy intermediate state progressively shifts from the target itself toward its second-order differenced structure, while a conditioning pathway supplies the denoiser with both value-domain and differential history information balanced by a stage-adaptive gate at each diffusion step. The terminal distribution approaches a standard Gaussian, preserving compatibility with existing samplers. On seven benchmarks across four prediction horizons, DiffDiff outperforms six diffusion baselines, and our analysis confirms that DiffDiff concentrates the diffusion's generative effort on the most uncertain components of the target while relieving it from rebuilding the history-anchored content.
• Abstract（参考訳）: 拡散モデルは、観測履歴が与えられた将来の値の分布をモデル化し、確率的時系列予測のための広く使われているフレームワークとなった。 しかし、時系列予測では、未来は観測された歴史を継続し、標準拡散過程の非対称性を形成し、観測された連続性によって徐々に変化する内容が決定される一方で、高頻度ダイナミクスは残留不確実性の大部分を担っている。 既存の拡散に基づく予測器は、生成前に外部規則によってこの非対称性を分離し、履歴のどの部分が既に固定されているかは、汚職の軌跡が見えないままである。 拡散軌道自体にこの予測可能性非対称性を埋め込む拡散フレームワークであるDiffDiffを提案する。 DiffDiffは、ノイズの多い中間状態がターゲット自身から2階差分構造へ徐々にシフトするようにフォワード演算子をステップ依存させ、一方、条件付け経路は、拡散ステップ毎にステージ適応ゲートでバランスされた値領域と差分履歴情報の両方をデノイザに供給する。 端末分布は標準ガウスに近づき、既存のサンプルと互換性を保つ。 DiffDiffは4つの予測地平線にまたがる7つのベンチマークで6つの拡散ベースラインを上回り、DiffDiffは拡散の生成努力をターゲットの最も不確実なコンポーネントに集中させながら、履歴アンコールされたコンテンツの再構築を回避していることを確認した。

関連論文リスト

• GLIDE: Graph-guided Leap Inference for Diffusion Estimation of Spatio-Temporal Point Processes [19.756452407351986]
  時空間点過程(STPP)のための条件拡散フレームワークを提案する。 GLIDEは、歴史的イベントをマルチスケールの履歴グラフに整理し、二重ストリームアーキテクチャを通して空間トポロジを符号化する。 複数の実世界のデータセットでの実験では、GLIDEは分布の適合性と次点の予測の両方を改善し、空間側で最大のゲインが現れる。
  論文  参考訳（メタデータ） (2026-05-31T14:56:24Z)
• SimDiff: Simpler Yet Better Diffusion Model for Time Series Point Forecasting [8.141505251306622]
  拡散モデルは近年,時系列予測において有望であることが示されている。 それらはしばしば最先端のポイント推定性能を達成するのに失敗する。 ポイント推定のための一段階のエンドツーエンドフレームワークであるSimDiffを提案する。
  論文  参考訳（メタデータ） (2025-11-24T16:09:55Z)
• Diffusion Models: A Mathematical Introduction [3.8673630752805437]
  本稿では拡散に基づく生成モデルの自己完結型導出について述べる。 第一原理から拡散確率モデルを構築する。 読者はこの理論に従い、実際に対応するアルゴリズムを実装することができる。
  論文  参考訳（メタデータ） (2025-11-13T16:20:52Z)
• 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)
• Convergence of Score-Based Discrete Diffusion Models: A Discrete-Time Analysis [56.442307356162864]
  連続時間マルコフ連鎖(CTMC)に基づくスコアベース離散拡散モデルの理論的側面について検討する。 本稿では,事前定義された時間点におけるスコア推定値を利用する離散時間サンプリングアルゴリズムを一般状態空間$[S]d$に導入する。 我々の収束解析はジルサノフ法を用いて離散スコア関数の重要な性質を確立する。
  論文  参考訳（メタデータ） (2024-10-03T09:07:13Z)
• Channel-aware Contrastive Conditional Diffusion for Multivariate Probabilistic Time Series Forecasting [19.383395337330082]
  本稿では,CCDM(Contrastive Conditional Diffusion)モデルを提案する。 提案したCCDMは,現在最先端の拡散予測器と比較して優れた予測能力を示すことができる。
  論文  参考訳（メタデータ） (2024-10-03T03:13:15Z)
• Diffusion Forcing: Next-token Prediction Meets Full-Sequence Diffusion [61.03681839276652]
  拡散強制(Diffusion Forcing)は、拡散モデルをトレーニングし、トークンの集合に独立した音レベルを付与する、新たなトレーニングパラダイムである。 因果的次トーケン予測モデルを訓練して1つまたは複数の未来のトークンを生成することで、シーケンス生成モデルに拡散強制を適用する。
  論文  参考訳（メタデータ） (2024-07-01T15:43:25Z)
• Broadening Target Distributions for Accelerated Diffusion Models via a Novel Analysis Approach [49.97755400231656]
  本研究では,新しいDDPMサンプリング器が,これまで考慮されていなかった3種類の分散クラスに対して高速化性能を実現することを示す。 この結果から, DDPM型加速サンプリング器におけるデータ次元$d$への依存性が改善された。
  論文  参考訳（メタデータ） (2024-02-21T16:11:47Z)
• Truncated Diffusion Probabilistic Models and Diffusion-based Adversarial Auto-Encoders [137.1060633388405]
  拡散に基づく生成モデルは、逆拡散連鎖を推論してデータを生成する方法を学ぶ。 我々は、データが純粋なランダムノイズになるまで、より高速で安価にノイズを付加するアプローチを提案する。 提案手法は,拡散過程と学習可能な暗黙的前処理の両方によって付与された逆自動エンコーダとしてキャスト可能であることを示す。
  論文  参考訳（メタデータ） (2022-02-19T20:18:49Z)

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。