Fugu-MT 論文翻訳(概要): Benchmarking Time Series Generation Methods for Privacy-Preserving Forecasting

論文の概要: Benchmarking Time Series Generation Methods for Privacy-Preserving Forecasting

arxiv url: http://arxiv.org/abs/2608.10891v1
Date: Tue, 11 Aug 2026 13:09:01 GMT
ステータス: 翻訳完了
システム内更新日: 2026-08-12 19:14:46.047373
Title: Benchmarking Time Series Generation Methods for Privacy-Preserving Forecasting
Title（参考訳）: プライバシ保護予測のためのベンチマーク時系列生成手法
Abstract要約: プライバシに敏感なドメインでの時系列予測は、オリジナルの観測よりも、リリースデータ上でのトレーニングモデルを必要とすることが多い。元のデータを完全に置き換える合成生成法がいかにうまく機能するかは、まだ未定のままである。このベンチマークは、新しいプライバシ対応合成時系列生成手法の評価と開発のための基準点を確立する。
参考スコア（独自算出の注目度）: 2.7120006458149764
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Time series forecasting in privacy-sensitive domains often requires training models on released data rather than original observations. Synthetic time series generation has been developed primarily for data augmentation, where generated series supplement the original training set. How well these methods perform when fully replacing the original data - and how much privacy risk the released series carry - remains underexplored. We address this gap through a benchmark evaluating synthetic generation methods and noise-based anonymization baselines under a Train on Synthetic, Test on Real (TSTR) protocol. We jointly assess forecasting performance and distance-based empirical privacy risk across seven datasets, characterizing the trade-off between these objectives. We also introduce Grasynda-P, a privacy-motivated extension of the graph-based generator Grasynda, incorporating matrix ensembling and kernel density estimation. Our results show that: (1) no generation method fully substitutes for original training data; (2) noise-based anonymization yields the strongest privacy but the worst forecasting performance; (3) simple transformation-based generators outperform deep generative models for forecasting in this setting; and (4) Grasynda-P lies on the Pareto frontier, achieving competitive forecasting with stronger privacy separation than other generators. This benchmark establishes a reference point for evaluating and developing new privacy-aware synthetic time series generation methods.
Abstract（参考訳）: プライバシに敏感なドメインでの時系列予測は、オリジナルの観測よりも、リリースデータ上でのトレーニングモデルを必要とすることが多い。合成時系列生成は主にデータ拡張のために開発され、生成した時系列は元のトレーニングセットを補完する。これらの手法がオリジナルのデータを完全に置き換えた場合、どれだけうまく機能するか、リリースしたシリーズがどれだけのプライバシーリスクを負うのか、まだ解明されていない。このギャップは、Train on Synthetic, Test on Real (TSTR)プロトコルの下で、合成生成方法とノイズに基づく匿名化ベースラインを評価するベンチマークによって解決される。予測性能と距離に基づく経験的プライバシリスクを7つのデータセットで共同評価し,これらの目標間のトレードオフを特徴付ける。また,グラフベースジェネレータGrasyndaのプライバシを動機とした拡張であるGrasynda-Pを導入する。以上の結果から,(1) 従来のトレーニングデータに完全に置き換える生成手法が存在しないこと,(2) ノイズに基づく匿名化が最強のプライバシをもたらすこと,(3) 単純なトランスフォーメーションベースジェネレータがこの環境で予測する深層生成モデルより優れていること,(4) グラシンダPはパレートフロンティアにあり,他のジェネレータよりも強力なプライバシ分離による競合予測を実現すること,などが示唆された。このベンチマークは、新しいプライバシ対応合成時系列生成手法の評価と開発のための基準点を確立する。

関連論文リスト

Privacy Evaluation of Generative Models for Trajectory Generation [0.3998450019209938]
トラバーセーのデータは現代の都市情報に基本的なものだが、その感度はプライバシーの懸念を喚起する。生成軌道モデリングとプライバシ評価の交わりについて検討する。
論文参考訳（メタデータ） (2026-05-14T10:57:34Z)
Reinforcement-Guided Synthetic Data Generation for Privacy-Sensitive Identity Recognition [60.52810518437911]
高忠実度生成モデルは、プライバシーに敏感なシナリオでますます必要とされている。限られたデータによって生成モデルは貧弱になり、データ不足を軽減できない。汎用ドメイン生成の先行を識別タスクに適応させる,強化誘導型合成データ生成フレームワークを提案する。
論文参考訳（メタデータ） (2026-04-09T06:52:03Z)
SynDelay: A Synthetic Dataset for Delivery Delay Prediction [50.56729406793283]
配送遅延予測のための合成データセットであるSynDelayを提案する。これはサプライチェーンAIにおけるデータセットの共有とベンチマークを促進するオープンイニシアチブである。
論文参考訳（メタデータ） (2025-08-30T21:54:37Z)
Latent Noise Injection for Private and Statistically Aligned Synthetic Data Generation [7.240170769827935]
データの合成は、スケーラブルでプライバシー保護の統計分析に欠かせないものとなっている。マスク付き自己回帰流(MAF)を用いた潜時ノイズ注入法を提案する。トレーニングされたモデルから直接サンプリングする代わりに、我々のメソッドは潜在空間の各データポイントを摂動させ、それをデータドメインにマップします。
論文参考訳（メタデータ） (2025-06-19T22:22:57Z)
Tackling Data Heterogeneity in Federated Time Series Forecasting [61.021413959988216]
時系列予測は、エネルギー消費予測、病気の伝染モニタリング、天気予報など、様々な実世界の応用において重要な役割を果たす。既存のほとんどのメソッドは、分散デバイスから中央クラウドサーバに大量のデータを収集する、集中的なトレーニングパラダイムに依存しています。本稿では,情報合成データを補助的知識キャリアとして生成することにより,データの均一性に対処する新しいフレームワークであるFed-TRENDを提案する。
論文参考訳（メタデータ） (2024-11-24T04:56:45Z)
Privacy without Noisy Gradients: Slicing Mechanism for Generative Model Training [10.229653770070202]
差分プライバシ(DP)を持つ生成モデルを訓練するには、通常、勾配更新にノイズを注入するか、判別器の訓練手順を適用する必要がある。プライベートデータのランダムな低次元投影にノイズを注入するスライシングプライバシ機構について考察する。本稿では,この分散性を考慮したカーネルベース推定器を提案し,対角訓練の必要性を回避した。
論文参考訳（メタデータ） (2024-10-25T19:32:58Z)
Synthesizing Multimodal Electronic Health Records via Predictive Diffusion Models [69.06149482021071]
EHRPDと呼ばれる新しいEHRデータ生成モデルを提案する。時間間隔推定を組み込んだ拡散モデルである。我々は2つの公開データセットで実験を行い、忠実さ、プライバシー、実用性の観点からEPHPDを評価する。
論文参考訳（メタデータ） (2024-06-20T02:20:23Z)
ST-DPGAN: A Privacy-preserving Framework for Spatiotemporal Data Generation [19.18074489351738]
プライバシー保護データを生成するグラフモデルを提案する。 3つの実時間データセットを用いて実験を行い,本モデルの有効性を検証した。生成されたデータに基づいてトレーニングされた予測モデルは、元のデータでトレーニングされたモデルと比較して、競争力のあるエッジを維持している。
論文参考訳（メタデータ） (2024-06-04T04:43:54Z)
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)
Hide-and-Seek Privacy Challenge [88.49671206936259]
NeurIPS 2020 Hide-and-Seek Privacy Challengeは、両方の問題を解決するための新しい2トラックの競争だ。我々の頭から頭までのフォーマットでは、新しい高品質な集中ケア時系列データセットを用いて、合成データ生成トラック(「ヒッシャー」)と患者再識別トラック(「シーカー」)の参加者が直接対決する。
論文参考訳（メタデータ） (2020-07-23T15:50:59Z)

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。