論文の概要: GALA: Generation-Aware Cross-Modal Alignment for Text-to-Time-Series Synthesis

• arxiv url: http://arxiv.org/abs/2608.13741v1
• Date: Thu, 13 Aug 2026 19:57:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-17 20:14:29.204951
• Title: GALA: Generation-Aware Cross-Modal Alignment for Text-to-Time-Series Synthesis
• Title（参考訳）: GALA:テキスト・ツー・タイム・シリーズ合成のための世代別クロスモーダルアライメント
• Abstract要約: テキスト条件付き時系列生成のためのGALA:Generation-Aware cross-modaLアライメントを提案する。 GALAは、事前訓練されたテキストエンコーダと時系列基礎モデルとを、両方のエンコーダが補助的な生成損失に適応した共有埋め込み空間に結合する。 TS-600Kでは、4つのドメインと3つのフラグメント長にまたがるGALAが、36のカラムのうち30位にランクインした。
• 参考スコア（独自算出の注目度）: 35.10357842026358
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Synthesizing time series from natural language is emerging as the most expressive form of controllable time series generation. However, existing text-conditioned generators either take caption embeddings frozen from off-the-shelf text encoders, or adapt the encoder end-to-end, letting the denoising loss shape the embeddings only as a by-product. In either case, the conditioning representation is never deliberately matched to the signal modality, leaving it ill-suited to guide generation. We address this by introducing GALA: Generation-Aware cross-modaL Alignment for text conditional time series generation. GALA is a two-stage approach that first contrastively couples a pretrained text encoder with a time-series foundation model into a shared embedding space with both encoders adapted to generation by an auxiliary generative loss, and then freezes the resulting caption embedding to drive a flow-matching generator. On TSFragment-600K, spanning four domains and three fragment lengths, GALA sets a new state of the art, ranking first in 30 of 36 metric columns and reaching an average rank of 1.08/1.08/1.42 at lengths 24/48/96 against 1.92/2.00/1.75 for the strongest baseline. We further find that generator-internal text encoders force a trade-off between fidelity and caption adherence, whereas conditioning on the aligned embedding breaks it: FID, CTTP, and JFTSD all improve at once. Ablating the auxiliary loss degrades FID, CTTP and JFTSD together, it indicates the generative term is a necessary component of the alignment rather than an add-on.
• Abstract（参考訳）: 自然言語から時系列を合成することは、制御可能な時系列生成の最も表現力のある形式として現れつつある。 しかし、既存のテキストコンディショニングジェネレータは、既製のテキストエンコーダから凍結したキャプション埋め込みを取り込むか、エンコーダをエンドツーエンドに適応させるかのいずれかで、デノイングロスは副産物としてのみ埋め込みを形成する。 いずれの場合も、条件付け表現は信号のモダリティと意図的に一致せず、ガイド生成に不適である。 テキスト条件付き時系列生成にGALA: Generation-Aware cross-modaLアライメントを導入することで、この問題に対処する。 GALAは、事前訓練されたテキストエンコーダと時系列基礎モデルとの対比的に2段階のアプローチであり、両方のエンコーダを補助的な生成損失により生成に適応させ、その結果のキャプション埋め込みを凍結してフローマッチングジェネレータを駆動する。 TSFragment-600Kでは、4つのドメインと3つのフラグメントの長さにまたがって、GALAは新たな最先端を定め、36のカラムのうち30にランクインし、最強のベースラインでは1.92/2.00/1.75に対して24/48/96で1.08/1.08/1.42に達した。 さらに、ジェネレータ内部のテキストエンコーダは、忠実さとキャプションの付着性のトレードオフを強制するのに対して、アライメントされた埋め込みの条件付けは、FID、CTTP、JFTSDを同時に改善する。 補助的損失はFID, CTTP, JFTSDを併用すると, 生成項はアドオンではなくアライメントの必須成分であることが示された。

関連論文リスト

• FLAT: Resampling Image and Text into 1D Flexible-Length Aligned Transmodal Tokens for Retrieval and Generation [29.59094476146176]
  Flatは、共有マルチモーダルエンコーダと、下流のテキスト・トゥ・イメージ(T2I)と画像・トゥ・テキスト(I2T)デコーダを共同で最適化する、表現事前トレーニングフレームワークである。 単一の事前学習段階により、FLATは可変プレフィックスKをまたいでクロスモーダル検索および生成を行い、T2I GenEvalスコア71.1を達成する。
  論文  参考訳（メタデータ） (2026-09-15T03:35:59Z)
• CodeTS: Verifiable Text-to-Time Series Generation via Executable Code [55.764516369801676]
  中間生成インタフェースとしてコードを使用する検証可能なフレームワークであるCodeTSを提案する。 CodeTSはまず、テキストの時間的記述を明示的なコード空間にマッピングする。 このコード生成プロセスを、実際のコードアノテーションなしで確実に学習するために、CodeTSは構造化された時間属性から、整列されたText-Code-TS三つ子を構成する。
  論文  参考訳（メタデータ） (2026-09-14T11:20:49Z)
• T2S: High-resolution Time Series Generation with Text-to-Series Diffusion Models [51.08566687549047]
  自然言語と時系列のギャップを埋める拡散ベースのフレームワークであるText-to-Series (T2S)を紹介した。 T2Sは長さ適応型変分オートエンコーダを用いて、様々な長さの時系列を一貫した潜伏埋め込みに符号化する。 我々は、T2Sを複数の長さでインターリーブされたパラダイムで訓練し、任意の所望の長さのシーケンスを生成する。
  論文  参考訳（メタデータ） (2025-05-05T07:22:54Z)
• DuNST: Dual Noisy Self Training for Semi-Supervised Controllable Text Generation [34.49194429157166]
  ラベル付きデータが不十分な場合、事前学習された言語モデルの微調整を増強することにより、言語理解において再び自己学習(ST)が向上した。 STを属性制御可能な言語生成に組み込むことは依然として困難である。
  論文  参考訳（メタデータ） (2022-12-16T21:44:34Z)
• High-Speed and High-Quality Text-to-Lip Generation [55.20612501355773]
  高速かつ高品質なテキスト-リップ生成(HH-T2L)のための新しい並列デコーディングモデルを提案する。 我々は,符号化言語特徴の持続時間を予測するとともに,符号化言語特徴に規定された対象の唇フレームを,非自己回帰的にその持続時間でモデル化する。 GRIDおよびTCD-TIMITデータセットを用いて行った実験により、HH-T2Lは、最先端のAR T2LモデルであるDualLipと比較して、競合品質の唇運動を生成することが示された。
  論文  参考訳（メタデータ） (2021-07-14T16:44:04Z)
• Label-Synchronous Speech-to-Text Alignment for ASR Using Forward and Backward Transformers [49.403414751667135]
  本稿では,音声認識のための新しいラベル同期音声テキストアライメント手法を提案する。 提案手法はラベル同期テキストマッピング問題として音声からテキストへのアライメントを再定義する。 自発日本語コーパス(CSJ)を用いた実験により,提案手法が正確な発話方向のアライメントを提供することを示した。
  論文  参考訳（メタデータ） (2021-04-21T03:05:12Z)
• POINTER: Constrained Progressive Text Generation via Insertion-based Generative Pre-training [93.79766670391618]
  ハードコントラストテキスト生成のための新しい挿入ベースアプローチであるPOINTERを提案する。 提案手法は,既存のトークン間で段階的に新しいトークンを並列に挿入することによって動作する。 結果として生じる粗大な階層構造は、生成プロセスを直感的で解釈可能である。
  論文  参考訳（メタデータ） (2020-05-01T18:11:54Z)

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。