Fugu-MT 論文翻訳(概要): Discretizing Continuous Time Series for Imputation with Masked Diffusion Training

論文の概要: Discretizing Continuous Time Series for Imputation with Masked Diffusion Training

arxiv url: http://arxiv.org/abs/2608.19119v1
Date: Wed, 19 Aug 2026 17:16:27 GMT
ステータス: 翻訳完了
システム内更新日: 2026-08-20 20:13:55.467463
Title: Discretizing Continuous Time Series for Imputation with Masked Diffusion Training
Title（参考訳）: Masked Diffusion Training を用いたインプテーションにおける連続時間列の離散化
Abstract要約: 時系列計算は信頼性のある時系列解析にとって重要な領域であるが、実世界のデータの複雑な時間的ダイナミクスとノイズのため、依然として困難である。しかし、既存のアプローチには2つの制限がある: 欠落と観測された値は明示的な構造的分離なしに同じ表現空間に埋め込まれる。本研究では,マスク拡散モデルのトレーニングパラダイムを応用したMasked Diffusion Time-Series Imputation Model (MDTIM)を提案する。実験の結果, MDTIMは優れた堅牢性とスケーラビリティを達成でき, 様々なシナリオにおいて, 最先端の意思決定的, 生成的ベースラインを一貫して上回っていることがわかった。
参考スコア（独自算出の注目度）: 3.978640858147917
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Time series imputation is a crucial area for reliable time series analysis, yet it remains challenging due to the complex temporal dynamics and noise of real-world data. Existing approaches, however, exhibit two limitations: missing and observed values are embedded within the same representation space without explicit structural separation, and continuous diffusion-based methods are trained to predict added noise rather than the original signal. To address these, we propose the Masked Diffusion Time-series Imputation Model (MDTIM), which leverages the training paradigm of masked diffusion model for imputation tasks. The MASK token is structurally orthogonal to valid observations, and the model directly predicts the original values, naturally aligning both the representation and the learning objective with the imputation task. To bridge the gap between discrete masked diffusion and the continuous, ordinal nature of time series, we further introduce Stochastic Discretization, which maps continuous values to ordinal-aware tokens while preserving continuous dynamics. Our experiments on diverse benchmarks confirm that MDTIM achieves superior robustness and scalability, consistently outperforming state-of-the-art deterministic and generative baselines across various missing scenarios.
Abstract（参考訳）: 時系列計算は信頼性のある時系列解析にとって重要な領域であるが、実世界のデータの複雑な時間的ダイナミクスとノイズのため、依然として困難である。しかし、既存のアプローチでは、2つの制限がある: 観測された値が明示的な構造的分離なしに同じ表現空間に埋め込まれ、連続拡散法は元の信号ではなく付加雑音を予測するように訓練されている。そこで本稿では,マスク拡散モデルのトレーニングパラダイムを応用したMasked Diffusion Time-Series Imputation Model (MDTIM)を提案する。 MASKトークンは、有効な観測に対して構造的に直交しており、モデルは元の値を直接予測し、表現と学習目標の両方をインプットタスクと自然に整合させる。離散マスク拡散と時系列の連続的順序性の間のギャップを埋めるために、連続した値を順序付きトークンにマッピングし、連続的なダイナミクスを保ちながら確率的離散化を導入する。多様なベンチマーク実験により、MDTIMは優れた堅牢性とスケーラビリティを達成でき、様々な欠落したシナリオにおいて、最先端の決定的および生成的ベースラインを一貫して上回っていることが確認された。

関連論文リスト

Enhancing Irregular Time Series Forecasting with Continuous-Time Modeling Framework [15.900704071560698]
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。
論文参考訳（メタデータ） (2026-07-30T11:18:18Z)
Continuous-Time Distribution Matching for Few-Step Diffusion Distillation [57.28746398500951]
本稿では,CDM(Continuous-Time Distribution Matching)を導入し,DMDフレームワークを個別アンカーから連続最適化へ移行する。まず、固定離散スケジュールをランダム長の動的連続スケジュールに置き換える。第二に、学生の速度場を介して外挿された潜伏者に対してアクティブな軌道外マッチングを行う連続時間アライメント目的を提案する。
論文参考訳（メタデータ） (2026-05-07T14:56:39Z)
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)
Continuously Augmented Discrete Diffusion model for Categorical Generative Modeling [87.34677262370924]
標準離散拡散モデルは、吸収[MASK]トークンにそれらをマッピングすることで、すべての観測されていない状態を同一に扱う。これは'インフォメーション・ヴォイド'を生成します。そこでは、偽のトークンから推測できるセマンティック情報は、デノイングステップの間に失われます。連続的拡張離散拡散(Continuously Augmented Discrete Diffusion)は、連続的な潜在空間における対拡散で離散状態空間を拡大するフレームワークである。
論文参考訳（メタデータ） (2025-10-01T18:00:56Z)
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)
Dynamical Diffusion: Learning Temporal Dynamics with Diffusion Models [71.63194926457119]
動的拡散(DyDiff, Dynamical Diffusion)は, 時間的に意識された前と逆のプロセスを含む理論的に健全なフレームワークである。科学的時間的予測、ビデオ予測、時系列予測に関する実験は、動的拡散が時間的予測タスクのパフォーマンスを一貫して改善することを示した。
論文参考訳（メタデータ） (2025-03-02T16:10:32Z)
MTSCI: A Conditional Diffusion Model for Multivariate Time Series Consistent Imputation [41.681869408967586]
主要な研究課題は、どのようにインパルスの整合性を確保するか、すなわち観測値とインパルス値の整合性を確保するかである。従来の手法は、学習プロセスを導くために、計算対象の帰納的バイアスにのみ依存する。
論文参考訳（メタデータ） (2024-08-11T10:24:53Z)
A Poisson-Gamma Dynamic Factor Model with Time-Varying Transition Dynamics [51.147876395589925]
非定常PGDSは、基礎となる遷移行列が時間とともに進化できるように提案されている。後続シミュレーションを行うために, 完全共役かつ効率的なギブスサンプリング装置を開発した。実験により,提案した非定常PGDSは,関連するモデルと比較して予測性能が向上することを示した。
論文参考訳（メタデータ） (2024-02-26T04:39:01Z)
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)
Neural Continuous-Discrete State Space Models for Irregularly-Sampled Time Series [18.885471782270375]
NCDSSMは補助変数を用いて力学からの認識をアンタングルし、補助変数のみに償却推論を必要とする。本稿では、潜在力学の3つのフレキシブルパラメータ化と、推論中の動的状態の辺りを生かした効率的な学習目標を提案する。複数のベンチマークデータセットの実証結果は、既存のモデルよりもNCDSSMの計算性能と予測性能が改善されたことを示している。
論文参考訳（メタデータ） (2023-01-26T18:45:04Z)

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。