論文の概要: Enhancing Irregular Time Series Forecasting with Continuous-Time Modeling Framework
- arxiv url: http://arxiv.org/abs/2607.28035v1
- Date: Thu, 30 Jul 2026 11:18:18 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-31 21:37:00.524025
- Title: Enhancing Irregular Time Series Forecasting with Continuous-Time Modeling Framework
- Title（参考訳）: 連続時間モデリングフレームワークによる不規則な時系列予測の強化
- Abstract要約: WrapFlowは、不規則な時系列予測のための連続時間モデリングフレームワークである。
本研究では,ベース予測に関する条件付き残差ベクトル場を学習する残差フローマッチングの訓練パラダイムを開発する。
複数の実世界のデータセットの実験は、WrapFlowが最先端のパフォーマンスを達成することを示した。
- 参考スコア（独自算出の注目度）: 15.900704071560698
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Irregular multivariate time series are widely encountered in applications such as healthcare monitoring, human activity recognition, and environmental sensing. Their core challenges stem from asynchronous observations, non-uniform sampling intervals, and the fact that temporal patterns themselves carry critical dynamic information. Existing approaches either rely on discretization-based preprocessing (e.g., interpolation, imputation, or aggregation), which disrupts the underlying continuous-time semantics, or adopt continuous-time modeling via ODE-based frameworks, which typically require specialized architectures and incur substantial computational overhead due to numerical solvers. To address these limitations, we propose WrapFlow, a continuous-time modeling framework for irregular time series forecasting. On the input side, WrapFlow introduces Continuous-Time Tokenization, which directly encodes raw observation events and explicitly models long unobserved intervals via gap-aware tokens. The resulting continuous-time tokens are then processed by a standard Transformer backbone to capture long-range temporal dependencies. On the output side, we develop a simulation-free training paradigm for Residual Flow Matching, which learns conditional residual vector fields around base predictions while avoiding numerical-solver simulation and backpropagation during training. This design enables high-quality continuous forecasting using only a small number of fixed rollout steps at inference. Extensive experiments on multiple real-world datasets demonstrate that WrapFlow achieves state-of-the-art performance.
- Abstract（参考訳）: 不規則な多変量時系列は、医療モニタリング、人間の活動認識、環境センシングといった用途で広く見られる。
彼らの中核的な課題は、非同期な観察、非一様サンプリング間隔、時間的パターン自体が重要な動的情報を持っているという事実に起因している。
既存のアプローチは、離散化ベースの前処理(例えば、補間、命令、集約)に依存しており、基盤となる継続的時間意味論を乱すか、あるいはODEベースのフレームワークによる継続的時間モデリングを採用するかのいずれかである。
これらの制約に対処するため、不規則な時系列予測のための連続時間モデリングフレームワークであるWrapFlowを提案する。
入力側では、WrapFlowがContinuous-Time Tokenizationを導入している。これは生の観測イベントを直接エンコードし、ギャップ対応トークンを通じて長く観測されていないインターバルを明示的にモデル化するものだ。
結果の連続したトークンは、標準のTransformerバックボーンによって処理され、長距離の時間的依存関係をキャプチャする。
出力側では,学習中の数値解法シミュレーションやバックプロパゲーションを回避しつつ,ベース予測の周囲の条件付き残留ベクトル場を学習する残差フローマッチングのためのシミュレーションフリートレーニングパラダイムを開発する。
この設計により、推論時に少数の固定ロールアウトステップしか使用せず、高品質な連続予測が可能となる。
複数の実世界のデータセットに対する大規模な実験は、WrapFlowが最先端のパフォーマンスを達成することを実証している。
関連論文リスト
- FlowTime: Towards Continuous Generative Watch Time Prediction via Flow-based Personalized Priors [36.51656962595749]
ウォッチタイムは、ショートビデオレコメンデーターシステムにおけるユーザーエンゲージメントを最適化するための重要な指標として登場した。
時計時間予測(WTP)の現在の手法は、固有のパラダイム固有の制限に悩まされている。
本稿では,一段階生成変分オートエンコーダを用いた新しいFlowTimeを提案する。
論文 参考訳（メタデータ） (2026-05-31T17:13:06Z) - TimeFlow: Towards Stochastic-Aware and Efficient Time Series Generation via Flow Matching Modeling [2.74279932215302]
時系列データは、下流の時系列マイニングタスクを幅広くサポートするため、重要な研究トピックとして浮上している。
エンコーダのみのアーキテクチャを統合する新しいフローマッチングフレームワークであるTimeFlowを提案する。
私たちのモデルは、生成品質、多様性、効率において、一貫して強力なベースラインを上回ります。
論文 参考訳（メタデータ） (2025-11-11T08:28:26Z) - 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) - Unified Flow Matching for Long Horizon Event Forecasting [3.0639815065447036]
本稿では,マーク付き時間点プロセスのための一貫したフローマッチングフレームワークを提案する。
両コンポーネントの連続時間フローを学習することにより,逐次復号化を伴わずにコヒーレントな長地平線イベントトラジェクトリを生成する。
実世界の6つのベンチマークでモデルを評価し,精度と生成効率の両面で自己回帰ベースラインと拡散ベースラインを大幅に改善した。
論文 参考訳（メタデータ） (2025-08-06T19:42:49Z) - 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) - 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) - Generative Time Series Forecasting with Diffusion, Denoise, and
Disentanglement [51.55157852647306]
時系列予測は多くのアプリケーションにおいて非常に重要な課題である。
実世界の時系列データが短時間に記録されることが一般的であり、これはディープモデルと限られたノイズのある時系列との間に大きなギャップをもたらす。
本稿では,生成モデルを用いた時系列予測問題に対処し,拡散,雑音,ゆがみを備えた双方向変分自動エンコーダを提案する。
論文 参考訳（メタデータ） (2023-01-08T12:20:46Z) - Multi-scale Attention Flow for Probabilistic Time Series Forecasting [68.20798558048678]
マルチスケールアテンション正規化フロー(MANF)と呼ばれる非自己回帰型ディープラーニングモデルを提案する。
我々のモデルは累積誤差の影響を回避し、時間の複雑さを増大させない。
本モデルは,多くの多変量データセット上での最先端性能を実現する。
論文 参考訳（メタデータ） (2022-05-16T07:53:42Z) - Continuous Latent Process Flows [47.267251969492484]
任意の時間スタンプにおける連続時系列ダイナミクスの部分的な観察は多くの分野に存在する。このタイプのデータに連続力学を用いた統計モデルを適用することは、直感的なレベルで有望であるだけでなく、実用的な利点もある。
微分方程式によって駆動される時間依存正規化フローを用いて、連続潜時プロセスを連続可観測プロセスに復号する原則的アーキテクチャである連続潜時プロセスフロー(CLPF)を用いて、これらの課題に取り組む。
我々のアブレーション研究は、不規則な時間グリッド上での様々な推論タスクへの貢献の有効性を実証している。
論文 参考訳（メタデータ） (2021-06-29T17:16:04Z) - Synergetic Learning of Heterogeneous Temporal Sequences for
Multi-Horizon Probabilistic Forecasting [48.8617204809538]
本稿では,新しい条件生成モデルである変分相乗型マルチホライゾンネットワーク(VSMHN)を提案する。
不均一なシーケンス間で複雑な相関関係を学習するために、深部プロセスモデルと変動的リカレントニューラルネットワークの進歩を組み合わせるために、調整されたエンコーダが考案された。
我々のモデルは変動予測を用いて効果的に訓練でき、モンテカルロシミュレーションを用いて予測を生成することができる。
論文 参考訳（メタデータ） (2021-01-31T11:00:55Z)
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。