論文の概要: SCENARIODIFF: A Scenario-level Guidance Framework for Multimodal Time Series Forecasting--Extended Version

• arxiv url: http://arxiv.org/abs/2608.17164v1
• Date: Mon, 17 Aug 2026 22:05:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-19 21:40:53.139589
• Title: SCENARIODIFF: A Scenario-level Guidance Framework for Multimodal Time Series Forecasting--Extended Version
• Title（参考訳）: SCENARIODIFF:マルチモーダル時系列予測のためのシナリオレベルのガイダンスフレームワーク--拡張バージョン
• Abstract要約: マルチモーダル時系列予測のための階層的文脈推論フレームワークであるSCENARIODIFFを提案する。 SCENARIODIFFは、コンテキスト情報を3つのレベルに分類する: 履歴コンテキストエージェントは、生文書から段階的に証拠を抽出し、シナリオエージェントは、予測水平線のための定性的なシナリオ記述を生成し、アンカーガイダンスエージェントは、イベント関連将来領域のスパースアンカーポイントを生成する。 Time-MMDベンチマークの実験では、SCENARIODIFFはイベント駆動ドメインで特に有効であることが示されている。
• 参考スコア（独自算出の注目度）: 5.00208619516796
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Textual context such as news, reports, and logs can provide valuable signals for time series forecasting, especially when future dynamics are driven by external events that are not yet visible in historical values. Existing multimodal forecasting methods often either ask large language models (LLMs) to predict numerical values directly or fuse text and time series implicitly, making contextual influence difficult to interpret and control. We propose SCENARIODIFF, a hierarchical contextual reasoning framework for multimodal time series forecasting under noisy and weakly aligned documents. SCENARIODIFF organizes contextual information into three levels: a Historical Context Agent extracts stepwise evidence from raw documents, a Scenario Agent produces a qualitative scenario description for the forecast horizon, and an Anchor Guidance Agent generates sparse anchor points for event-relevant future regions. These structured signals condition a Multimodal Diffusion Transformer, while Anchor Blended Sampling locally refines generated trajectories without retraining. Experiments on the Time-MMD benchmark show that SCENARIODIFF is especially effective in event-driven domains, demonstrating the value of explicit hierarchical scenario guidance for multimodal time series forecasting. Our full implementation is available at https://anonymous.4open.science/r/ScenarioDiff_ICDM-2C4C
• Abstract（参考訳）: ニュース、レポート、ログなどのテキストコンテキストは、特に将来のダイナミクスが、歴史的価値でまだ見えていない外部イベントによって駆動される場合、時系列予測のための貴重な信号を提供することができる。 既存のマルチモーダル予測手法は、しばしば大きな言語モデル(LLM)に数値を直接予測させたり、テキストや時系列を暗黙的に融合させたりすることで、文脈的影響の解釈や制御が困難になる。 本研究では,多モーダル時系列予測のための階層的文脈推論フレームワークであるSCENARIODIFFを提案する。 SCENARIODIFFは、コンテキスト情報を3つのレベルに分類する: 履歴コンテキストエージェントは、生文書から段階的に証拠を抽出し、シナリオエージェントは、予測水平線のための定性的なシナリオ記述を生成し、アンカーガイダンスエージェントは、イベント関連将来領域のスパースアンカーポイントを生成する。 これらの構造化信号はマルチモーダル拡散変換器を条件とし、アンカーブレンドサンプリングは再学習せずに生成した軌道を局所的に洗練する。 Time-MMDベンチマークの実験では、SCENARIODIFFはイベント駆動ドメインにおいて特に有効であることが示され、マルチモーダル時系列予測のための明示的な階層的シナリオガイダンスの価値が示された。 私たちの完全な実装はhttps://anonymous.4open.science/r/ScenarioDiff_ICDM-2C4Cで公開されています。

関連論文リスト

• Spectral-Aware Text-to-Time Series Generation with Billion-Scale Multimodal Meteorological Data [5.582207674658708]
  我々は,MACC(Collaborative Captioning)パイプラインを通じて構築された専門家レベルのキャプションと組み合わせた,10億規模の気象データセットであるMeteoCap-3Bを紹介した。 次に,MTransformerを提案する。MTransformerは,テキスト記述をマルチバンドスペクトルにマッピングすることで,正確な意味制御を可能にするモデルである。 実世界のベンチマーク実験では、最先端の世代品質、正確なクロスモーダルアライメント、強力なセマンティックコントロール可能性、下流予測の大幅な向上が示されている。
  論文  参考訳（メタデータ） (2026-03-28T04:55:00Z)
• What If TSF: A Benchmark for Reframing Forecasting as Scenario-Guided Multimodal Forecasting [8.593646221015264]
  TSF(WIT)は、モデルが文脈テキストで予測を条件付けできるかどうかを評価するためのベンチマークである。 WITはシナリオ誘導型マルチモーダル予測のための厳格なテストベッドを提供する。
  論文  参考訳（メタデータ） (2026-01-13T12:47:43Z)
• Adaptive Information Routing for Multimodal Time Series Forecasting [11.180175447040694]
  時系列予測は多くの現実世界の応用で人工知能にとって重要な課題である。 伝統的なアプローチは、主に将来の価値を予測するために歴史的時系列データに依存している。 本稿では,マルチモーダル時系列予測の新しい手法であるAdaptive Information Routingフレームワークを紹介する。
  論文  参考訳（メタデータ） (2025-12-11T02:25:27Z)
• UniDiff: A Unified Diffusion Framework for Multimodal Time Series Forecasting [90.47915032778366]
  マルチモーダル時系列予測のための統合拡散フレームワークUniDiffを提案する。 コアには統一的で並列な融合モジュールがあり、単一のクロスアテンション機構がタイムスタンプからの構造化情報とテキストからのセマンティックコンテキストを統合する。 8つの領域にわたる実世界のベンチマークデータセットの実験は、提案したUniDiffモデルが最先端のパフォーマンスを達成することを示す。
  論文  参考訳（メタデータ） (2025-12-08T05:36:14Z)
• NUM2EVENT: Interpretable Event Reasoning from Numerical time-series [6.45945124018154]
  本稿では,数値入力から解釈可能な構造化イベントを推論することを目的とした,数対値推論と復号化の課題を紹介する。 データ不足とセマンティックアライメントの課題に対処するために、推論対応フレームワークを提案する。 我々のモデルは、数値的な変化に対して明確に理由付け、中間的な説明を生成し、構造化された事象仮説を出力する。
  論文  参考訳（メタデータ） (2025-10-24T02:57:11Z)
• Aurora: Towards Universal Generative Multimodal Time Series Forecasting [18.584127942149028]
  ドメイン間の一般化は時系列予測において非常に重要である。 最近の研究は、時系列基礎モデルとエンドツーエンドのマルチモーダル監視モデルの構築に重点を置いている。 本稿では,マルチモーダル入力とゼロショット推論をサポートするマルチモーダル時系列ファウンデーションモデルであるAuroraを紹介する。
  論文  参考訳（メタデータ） (2025-09-26T12:56:20Z)
• EventTSF: Event-Aware Non-Stationary Time Series Forecasting [73.54313384419792]
  EventTSFは、過去の時系列とテキストイベントを統合し、その後の予測を行う自動回帰生成フレームワークである。 8つの合成および実世界のデータセットの実験によると、EventTSFは、さまざまなイベント対応の非定常時系列予測シナリオで12のベースラインを上回っている。
  論文  参考訳（メタデータ） (2025-08-19T01:28:47Z)
• When Does Multimodality Lead to Better Time Series Forecasting? [96.26052272121615]
  このようなマルチモーダルな統合が常に利益をもたらすかどうか、どのような条件で検討する。 その結果,マルチモーダリティの利点は条件に依存していることが判明した。 我々の研究は、マルチモーダリティが予測タスクに役立つことをいつ予測できるかを理解するための厳密で定量的な基礎を提供する。
  論文  参考訳（メタデータ） (2025-06-20T23:55:56Z)
• TimeCAP: Learning to Contextualize, Augment, and Predict Time Series Events with Large Language Model Agents [52.13094810313054]
  TimeCAPは、時系列データのコンテキスト化ツールとしてLarge Language Models(LLM)を創造的に利用する時系列処理フレームワークである。 TimeCAPには2つの独立したLCMエージェントが組み込まれており、1つは時系列のコンテキストをキャプチャするテキスト要約を生成し、もう1つはより情報のある予測を行うためにこのリッチな要約を使用する。 実世界のデータセットによる実験結果から,TimeCAPは時系列イベント予測の最先端手法よりも優れていることが示された。
  論文  参考訳（メタデータ） (2025-02-17T04:17:27Z)
• Timer-XL: Long-Context Transformers for Unified Time Series Forecasting [67.83502953961505]
  我々は時系列の統一予測のための因果変換器Timer-XLを提案する。 大規模な事前トレーニングに基づいて、Timer-XLは最先端のゼロショット性能を達成する。
  論文  参考訳（メタデータ） (2024-10-07T07:27:39Z)
• SMART: Simultaneous Multi-Agent Recurrent Trajectory Prediction [72.37440317774556]
  本稿では,将来の軌道予測における2つの重要な課題に対処する手法を提案する。 エージェントの数に関係なく、トレーニングデータと予測と一定時間の推測の両方において、マルチモーダリティ。
  論文  参考訳（メタデータ） (2020-07-26T08:17:10Z)

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。