論文の概要: PAC-Bayesian Reconstruction Guarantees for Time Series Variational Autoencoders
- arxiv url: http://arxiv.org/abs/2609.05212v1
- Date: Fri, 04 Sep 2026 14:44:20 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-07 18:15:24.074386
- Title: PAC-Bayesian Reconstruction Guarantees for Time Series Variational Autoencoders
- Title（参考訳）: 時系列変分オートエンコーダのためのPAC-Bayesian再構成保証
- Abstract要約: PAC-Bayesian framework for latent variables model applied to time series。
PAC-Bayesian 保証を Markovian latent 構造に拡張し、逐次生成過程を通じて時間的依存関係をキャプチャする。
- 参考スコア（独自算出の注目度）: 14.481130404108834
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Forecasting time series accurately is critical for applications with complex data ranging from energy systems to healthcare and finance. Among current state of the art models, generative latent variable models are increasingly implemented; yet principled generalisation guarantees for modern latent variable models remain limited. In particular, while Variational AutoEncoders are widely used for sequential data, their theoretical analysis is largely restricted to i.i.d. settings. In this work, we develop a PAC-Bayesian framework for latent variables models applied to time series. Building on reconstruction-based bounds, we extend PAC-Bayesian guarantees to Markovian latent structures, capturing temporal dependencies through a sequential generative process. These guarantees do not grow with the length of the trajectory. Our bounds depend on assumptions which are common in the literature; we provide an example framework where they would be verified to show that they are not as restrictive as they may seem.
- Abstract（参考訳）: 予測時系列は、エネルギーシステムから医療、金融まで、複雑なデータを持つアプリケーションにとって、正確には不可欠である。
現在の最先端モデルの中で、生成潜在変数モデルはますます実装されているが、現代の潜在変数モデルの一般化保証は限定的である。
特に、変分オートエンコーダはシーケンシャルデータに広く使われているが、理論解析は主にi.d.設定に限られている。
本研究では,時系列に適応する潜在変数モデルのためのPAC-Bayesianフレームワークを開発する。
PAC-ベイジアン保証をマルコフ潜在構造に拡張し、逐次生成過程を通じて時間的依存を捉える。
これらの保証は軌道の長さとともに成長しない。
私たちの境界は、文献に共通する仮定に依存しており、それらが見かけほど制限的でないことを示すために検証されるであろう例フレームワークを提供する。
関連論文リスト
- ChronoVAE-HOPE: Beyond Attention -- A Next-Generation VAE Foundation Model for Specialized Time Series Classification [0.0]
ChronoVAE-HOPEは、時系列分類のための構造化潜在表現で大規模な一般化を再構成する。
重要なアーキテクチャ上のノベルティは、表現を独立した傾向と季節的な構成要素に分解する非絡み合いの潜在空間である。
実証的な結果は、多種多様な時間領域にまたがる強いパフォーマンスを示す。
論文 参考訳（メタデータ） (2026-05-21T16:26:09Z) - MEMTS: Internalizing Domain Knowledge via Parameterized Memory for Retrieval-Free Domain Adaptation of Time Series Foundation Models [51.506429027626005]
Memory for Time Series (MEMTS) は、時系列予測における検索不要領域適応のための軽量かつプラグアンドプレイ方式である。
MEMTSの鍵となるコンポーネントは知識永続化モジュール(KPM)であり、ドメイン固有の時間力学を内部化する。
このパラダイムシフトにより、MEMTSは定数時間推論とニアゼロレイテンシによる正確なドメイン適応を実現することができる。
論文 参考訳（メタデータ） (2026-02-14T14:00:06Z) - A Representation-Consistent Gated Recurrent Framework for Robust Medical Time-Series Classification [0.0]
隠れ状態表現における時間的一貫性を強制する規則化された正規化戦略を導入するための表現一貫性を持つゲートリカレントフレームワーク(RC-GRF)を提案する。
提案するフレームワークはモデルに依存しないため,内部ゲーティング機構を変更することなく,既存のゲート型リカレントアーキテクチャに統合することができる。
論文 参考訳（メタデータ） (2026-02-10T17:16:49Z) - Forecasting as Rendering: A 2D Gaussian Splatting Framework for Time Series Forecasting [79.37674445572462]
時系列予測(TSF)は、周期内変動と周期間トレンドの複雑な絡み合いのため、依然として困難な問題である。
形状変化テンソルを静止画像として扱うと、トポロジカルミスマッチが発生する。
均一な固定サイズの表現に依存することは、モデリング能力を非効率に割り当てる。
TimeGSは、予測パラダイムをレグレッションから2D生成レンダリングに根本的にシフトする、新しいフレームワークである。
論文 参考訳（メタデータ） (2026-02-10T14:13:36Z) - TimeMar: Multi-Scale Autoregressive Modeling for Unconditional Time Series Generation [11.455232661227313]
時系列のための構造不整合型マルチスケール生成フレームワークを提案する。
提案手法は,複数の時間分解能において,シーケンスを離散トークンに符号化する。
提案手法は,既存の手法よりも高品質な時系列を生成することを示す。
論文 参考訳（メタデータ） (2026-01-16T11:00:05Z) - Accelerating Time Series Foundation Models with Speculative Decoding [46.99742287518152]
大規模トランスフォーマーベースのモデルは、時系列予測において最先端のパフォーマンスを達成したが、高い計算コストに悩まされている。
本稿では、投機的復号化を自己回帰時系列モデルに適応させる一般的な推論加速フレームワークを提案する。
我々のアプローチでは、より小さな"ドラフト"モデルを用いて、将来の時系列パッチを提案し、さらに大きな"ターゲット"モデルによって並列に検証する。
論文 参考訳（メタデータ） (2025-11-22T21:04:57Z) - ReCast: Reliability-aware Codebook Assisted Lightweight Time Series Forecasting [23.30244577147735]
新たなtextbfReliability 対応 textbfCodebook-textbfASsisted textbfTime series forecasting framework (textbfReCast) を提案する。
ReCastは、学習可能なコードブックを使用して、パッチワイドな量子化を通じて、ローカルパターンを個別の埋め込みにエンコードする。
ReCastは、精度、効率、分散シフトへの適応性において、最先端(SOTA)モデルよりも優れていることを示した。
論文 参考訳（メタデータ） (2025-11-15T02:11:05Z) - EntroPE: Entropy-Guided Dynamic Patch Encoder for Time Series Forecasting [50.794700596484894]
IntroPE(Entropy-Guided Dynamic Patch)は,条件付きエントロピーによる遷移点を動的に検出する新しい時間情報フレームワークである。
これは、パッチの計算上の利点を維持しながら、時間構造を保存する。
長期予測ベンチマークによる実験では、EntroPEは精度と効率の両方を改善している。
論文 参考訳（メタデータ） (2025-09-30T12:09:56Z) - Kairos: Towards Adaptive and Generalizable Time Series Foundation Models [27.076542021368056]
時系列基礎モデル (TSFM) は時系列解析の強力なパラダイムとして登場してきた。
動的パッチトークンとインスタンス適応型位置埋め込みを統合した,柔軟なTSFMフレームワークであるKairosを提案する。
Kairosは2つの共通ゼロショットベンチマークのパラメータをはるかに少なくして、優れたパフォーマンスを実現している。
論文 参考訳（メタデータ） (2025-09-30T06:02:26Z) - 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) - Temporal Feature Matters: A Framework for Diffusion Model Quantization [105.3033493564844]
拡散モデルはマルチラウンド・デノナイジングの時間ステップに依存している。
3つの戦略を含む新しい量子化フレームワークを導入する。
このフレームワークは時間情報のほとんどを保存し、高品質なエンドツーエンド生成を保証する。
論文 参考訳（メタデータ） (2024-07-28T17:46:15Z) - Parsimony or Capability? Decomposition Delivers Both in Long-term Time Series Forecasting [46.63798583414426]
時系列予測(LTSF)は時系列分析において重要なフロンティアである。
本研究は, 分析的および実証的な証拠から, 分解が過剰なモデルインフレーションを包含する鍵であることを実証する。
興味深いことに、時系列データの本質的なダイナミクスに分解を合わせることで、提案モデルは既存のベンチマークより優れている。
論文 参考訳（メタデータ） (2024-01-22T13:15:40Z) - Transformer Hawkes Process [79.16290557505211]
本稿では,長期的依存関係を捕捉する自己認識機構を利用したTransformer Hawkes Process (THP) モデルを提案する。
THPは、有意なマージンによる可能性と事象予測の精度の両方の観点から、既存のモデルより優れている。
本稿では、THPが関係情報を組み込む際に、複数の点過程を学習する際の予測性能の改善を実現する具体例を示す。
論文 参考訳（メタデータ） (2020-02-21T13:48:13Z)
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。