論文の概要: When Denoising Hurts: Rethinking the Terminal Step of Diffusion Time Series Forecasters -- Extended Version
- arxiv url: http://arxiv.org/abs/2608.14067v1
- Date: Fri, 14 Aug 2026 08:25:01 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-17 20:14:29.325063
- Title: When Denoising Hurts: Rethinking the Terminal Step of Diffusion Time Series Forecasters -- Extended Version
- Title（参考訳）: ハートをデノイングする時 - 拡散時系列予測の終端ステップを再考する -- 拡張バージョン
- Abstract要約: 時間構造は比較的高いノイズレベルで復元されることが多いが,低騒音改善が継続すると,統計的ドリフトが生じ,最終予測が劣化する可能性がある。
本稿では,最適な終了点を検出し,最終的には推論を高速化し,予測精度を向上するラベルフリーなグローバル停止基準を提案する。
- 参考スコア（独自算出の注目度）: 2.3832258482873168
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Diffusion models offer a natural way to model uncertainty in time series forecasting, yet their iterative sampling process is often treated as a uniformly beneficial refinement procedure. Our study challenges this view by examining how forecast quality evolves throughout reverse diffusion. We find that general temporal structure is often recovered at relatively high noise levels, whereas continued low-noise refinement can introduce statistical drift and degrade the final forecast. Our analysis further suggests that this behavior explains why prior methods often favor relatively narrow diffusion architecture and schedule design. Building on this observation, we propose a label-free global stopping criterion that detects the optimal termination point, eventually speeding up inference and improving predictive accuracy. Additionally, since early stopping terminates inference in high-noise regions, we propose a Bernoulli timestep sampler that concentrates training on this region while preserving coverage of the full diffusion process. Extensive experiments conducted across eight real-world datasets demonstrate the superior performance of our method compared to existing approaches.
- Abstract（参考訳）: 拡散モデルは、時系列予測における不確実性をモデル化する自然な方法を提供するが、反復サンプリングプロセスは、一様に有益な精錬手順として扱われることが多い。
本研究は,逆拡散を通じて予測品質がどのように進化するかを調べることによって,この視点に挑戦する。
一般時間構造は比較的高いノイズレベルで復元されることが多いが,低騒音改善が継続すると,統計的ドリフトが生じ,最終予測が劣化する可能性がある。
また, 従来の手法が比較的狭い拡散アーキテクチャやスケジュール設計を好んでいる理由を考察した。
この観測に基づいて,最適な終了点を検出し,最終的には推論を高速化し,予測精度を向上するラベルフリーなグローバル停止基準を提案する。
また,高雑音域における早期停止が推論を終了させるため,全拡散過程のカバレッジを維持しつつ,この領域でのトレーニングに集中するベルヌーイ時間ステップサンプリング器を提案する。
8つの実世界のデータセットに対して行われた大規模な実験は、既存の手法と比較して、我々の手法の優れた性能を示している。
関連論文リスト
- From Atoms to Entropy: Optimal Noise Allocation for Diffusion Training in the Convex Regime [52.459513910242485]
拡散訓練における最適な雑音レベルアロケーションを研究するための一般統計フレームワークを開発する。
最適化されたトレーニングスケジュールは、有限個のノイズレベルに集中した原子最小値を持つことを示す。
次に,大規模実験におけるエントロピック・スケジュールの評価を行った。
論文 参考訳（メタデータ） (2026-07-10T20:59:06Z) - Heteroscedastic Diffusion for Multi-Agent Trajectory Modeling [18.081497075992406]
マルチエージェント・トラジェクトリ・モデリングは伝統的に予測に重点を置いており、トラジェクトリ・コンプリートのようなより一般的なタスクを無視することが多い。
U2Diffineはトラジェクトリ補完を実現するために構築された統一拡散モデルである。
本手法は,4つの挑戦的スポーツデータセットの軌跡完了と予測において,最先端のソリューションよりも優れる。
論文 参考訳（メタデータ） (2026-05-11T15:26:14Z) - TARO: Temporal Adversarial Rectification Optimization Using Diffusion Models as Purifiers [0.6875312133832079]
拡散モデルによる逆の浄化は、データ多様体に向けて逆の例を投影しようとする。
最近の研究によると、標準拡散浄化は適応的な評価で失敗する可能性があり、テスト時間スコアに基づく最適化はより弾力性が高い。
本稿では,複数の認知的視点に先行して時間的に導出されたスコアを構築する推論時間浄化法TAROを提案する。
論文 参考訳（メタデータ） (2026-05-08T20:02:57Z) - 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) - Accelerated Sequential Flow Matching: A Bayesian Filtering Perspective [16.29333060724397]
本稿では,ベイズフィルタを基盤とした逐次フローマッチングについて紹介する。
ストリーミング推論を,あるステップから次のステップへ予測分布を伝達する確率フローの学習として扱うことにより,ベイズ的信念更新の構造と自然に一致させる。
本手法は, サンプリングステップを1回, ごく少数必要としながら, フルステップ拡散と性能を競合させ, サンプリングを高速化する。
論文 参考訳（メタデータ） (2026-02-05T05:37:14Z) - SynCast: Synergizing Contradictions in Precipitation Nowcasting via Diffusion Sequential Preference Optimization [62.958457694151384]
本研究では,大規模な言語モデルにおける人的フィードバックからの強化学習の成功を動機として,降水量の最適化を初めて導入する。
第一段階では、フレームワークはFARを減らすことに焦点を当て、誤報を効果的に抑えるためにモデルを訓練する。
論文 参考訳（メタデータ） (2025-10-22T16:11:22Z) - Navigating the Exploration-Exploitation Tradeoff in Inference-Time Scaling of Diffusion Models [11.813933389519358]
推論時間スケーリングは言語モデルにおいて顕著に成功したが、拡散モデルへの適応は未解明のままである。
スケジュールと適応温度の2つの戦略を提案する。
提案手法は, 騒音評価の総数を増やすことなく, 試料品質を著しく向上させる。
論文 参考訳（メタデータ） (2025-08-17T13:35:38Z) - PostCast: Generalizable Postprocessing for Precipitation Nowcasting via Unsupervised Blurriness Modeling [85.56969895866243]
本稿では,ぼやけた予測とそれに対応する土台真実のペアによるトレーニングを必要とせずに,ぼやけを解消するための教師なしポストプロセッシング手法を提案する。
非条件相関を任意のぼかしモードに適応させるため、ゼロショットのぼかしカーネル推定機構とオートスケールの denoise ガイダンス戦略を導入する。
論文 参考訳（メタデータ） (2024-10-08T08:38:23Z) - Continuous Ensemble Weather Forecasting with Diffusion models [10.730406954385927]
連続アンサンブル予測は拡散モデルにおけるアンサンブル予測をサンプリングするための新しいフレキシブルな手法である。
時間的に一貫したアンサンブル軌道を、自動回帰ステップなしで完全に並列に生成することができる。
本手法は, 確率特性のよいグローバル気象予報において, 競争力のある結果が得られることを示す。
論文 参考訳（メタデータ） (2024-10-07T18:51:23Z) - DiffSF: Diffusion Models for Scene Flow Estimation [17.512660491303684]
本稿では,変圧器を用いたシーンフロー推定とデノナイズ拡散モデルを組み合わせたDiffSFを提案する。
拡散過程は, 従来の手法に比べて, 予測の堅牢性を大幅に向上させることを示す。
異なる初期状態で複数回サンプリングすることにより、復調過程は複数の仮説を予測し、出力の不確実性を測定することができる。
論文 参考訳（メタデータ） (2024-03-08T14:06:15Z) - 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) - Quantifying Uncertainty in Deep Spatiotemporal Forecasting [67.77102283276409]
本稿では,正規格子法とグラフ法という2種類の予測問題について述べる。
我々はベイジアンおよび頻繁な視点からUQ法を解析し、統計的決定理論を通じて統一的な枠組みを提示する。
実際の道路ネットワークのトラフィック、疫病、空気質予測タスクに関する広範な実験を通じて、異なるUQ手法の統計計算トレードオフを明らかにする。
論文 参考訳（メタデータ） (2021-05-25T14:35:46Z)
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。