論文の概要: CodeTS: Verifiable Text-to-Time Series Generation via Executable Code

• arxiv url: http://arxiv.org/abs/2609.15393v1
• Date: Mon, 14 Sep 2026 11:20:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-16 07:15:06.296144
• Title: CodeTS: Verifiable Text-to-Time Series Generation via Executable Code
• Title（参考訳）: CodeTS: 実行可能コードによる検証可能なテキスト・ツー・タイム・シリーズ生成
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 55.764516369801676
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Text-to-Time Series Generation (Text-to-TS) provides a promising paradigm for synthesizing time series from natural language, enabling scenario-specific generation when real observations are scarce or costly to acquire. However, existing methods typically lack an explicit mechanism for deriving generation logic from textual descriptions to guide time series synthesis. In this paper, we propose CodeTS, a verifiable framework that uses code as an intermediate generation interface, reformulating Text-to-TS generation as a Text-to-Code-to-TS process. CodeTS first maps textual temporal descriptions into an explicit code space, where executable code specifies how textual requirements shape target temporal patterns, and then obtains the time series through code execution. To learn this code generation process reliably without real code annotations, CodeTS constructs aligned Text-Code-TS triplets from structured temporal attributes for supervised initialization. More importantly, we further design multi-stage execution-based rewards that verify format validity, code executability, and time series quality, enabling real Text-TS pairs to provide training signals for Reinforcement Learning with Verifiable Rewards (RLVR). Extensive experiments on eight benchmarks across short, medium, and long generation lengths demonstrate that CodeTS provides a strong zero-shot solution for Text-to-TS generation, outperforming LLM-based baselines and achieving better averaged results than supervised generative baselines trained on the target datasets.
• Abstract（参考訳）: Text-to-Time Series Generation (Text-to-TS)は、自然言語から時系列を合成するための有望なパラダイムを提供する。 しかし、既存の手法は典型的には、生成ロジックをテキスト記述から導出し、時系列合成をガイドする明確なメカニズムを欠いている。 本稿では,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し、実行可能コードは、テキストの要求がどのように時間的パターンを形作るかを指定し、コード実行を通じて時系列を取得する。 実際のコードアノテーションなしで、このコード生成プロセスを確実に学習するために、CodeTSは、教師付き初期化のための構造化時間属性から、整列されたText-Code-TS三つ子を構築する。 さらに、フォーマットの妥当性、コード実行可能性、時系列品質を検証するマルチステージ実行ベースの報酬を設計し、実際のText-TSペアがReinforcement Learning with Verifiable Rewards(RLVR)のトレーニング信号を提供できるようにした。 ショート、ミディアム、ロングジェネレーションの8つのベンチマークに対する大規模な実験は、CodeTSがText-to-TS生成のための強力なゼロショットソリューションを提供し、LLMベースのベースラインを上回り、ターゲットデータセットでトレーニングされた教師付き生成ベースラインよりも優れた平均結果を達成することを示した。

関連論文リスト

• A Survey on Parallel Text Generation: From Parallel Decoding to Diffusion Language Models [71.66119575697458]
  トークン・バイ・トークン生成のボトルネックを破り、推論効率を向上させることを目的とした並列テキスト生成技術。 既存のアプローチをARベースのパラダイムと非ARベースのパラダイムに分類し、各カテゴリの中核技術について詳細に検討する。 我々は、最近の進歩を強調し、オープンな課題を特定し、並列テキスト生成における将来的な研究の方向性を概説する。
  論文  参考訳（メタデータ） (2025-08-12T07:56:04Z)
• A Semantic Parsing Framework for End-to-End Time Normalization [10.472379345636845]
  時間正規化は、自然言語の時間表現を機械可読表現に変換するタスクである。 ISO-TimeMLスキーマの制限表現に基づく従来のシステム。 SCATEフレームワークを基盤としたコード生成タスクとして,時間正規化の新たな定式化を導入する。
  論文  参考訳（メタデータ） (2025-07-08T23:30:11Z)
• BRIDGE: Bootstrapping Text to Control Time-Series Generation via Multi-Agent Iterative Optimization and Diffusion Modeling [51.830134409330704]
  時系列生成(TSG、Time-Series Generation)は、シミュレーション、データ拡張、および反事実分析に広く応用された、顕著な研究分野である。 我々は、テキストが意味的な洞察、ドメイン情報、インスタンス固有の時間パターンを提供し、TSGをガイドし改善することができると論じている。 BRIDGEはテキスト制御型TSGフレームワークで,テキスト記述とセマンティックプロトタイプを統合し,ドメインレベルのガイダンスをサポートする。
  論文  参考訳（メタデータ） (2025-03-04T09:40:00Z)
• Language in the Flow of Time: Time-Series-Paired Texts Weaved into a Unified Temporal Narrative [65.84249211767921]
  テキスト・アズ・タイム・シリーズ(TaTS)は、既存の数値のみの時系列モデルにプラグインできる。 TaTSはモデルアーキテクチャを変更することなく予測性能を向上させることができることを示す。
  論文  参考訳（メタデータ） (2025-02-13T03:43:27Z)
• CodeRAG-Bench: Can Retrieval Augment Code Generation? [78.37076502395699]
  検索拡張生成を用いたコード生成の系統的,大規模な解析を行う。 まず、コード生成タスクの3つのカテゴリを含む総合的な評価ベンチマークであるCodeRAG-Benchをキュレートする。 CodeRAG-Bench上のトップパフォーマンスモデルについて、1つまたは複数のソースから検索したコンテキストを提供することにより検討する。
  論文  参考訳（メタデータ） (2024-06-20T16:59:52Z)
• Bridging Code Semantic and LLMs: Semantic Chain-of-Thought Prompting for Code Generation [22.219645213202178]
  本稿では,SeCoT というコードの意味情報を抽出する "Semantic Chain-of-Thought" 手法を提案する。 本研究では,SeCoTが最先端の性能を実現し,大規模モデルやコード生成の可能性を大幅に向上させることを示す。
  論文  参考訳（メタデータ） (2023-10-16T05:09:58Z)
• Stochastic Code Generation [1.7205106391379026]
  コード生成のために事前訓練された大きな言語モデルは、高品質のショートコードを生成するが、コヒーレントな長いコードを生成するのにしばしば苦労する。 この問題は、長文生成のための言語モデリングにも見られる。 本研究では,この手法をコード生成に適用してコヒーレンスを向上できるかを検討する。
  論文  参考訳（メタデータ） (2023-04-14T00:01:05Z)
• CoreGen: Contextualized Code Representation Learning for Commit Message Generation [39.383390029545865]
  コミットメッセージ生成(CoreGen)のためのコンテキスト適応型コード表現学習戦略を提案する。 ベンチマークデータセットの実験では、BLEU-4スコアの少なくとも28.18%の改善により、ベースラインモデルよりもモデルの有効性が向上した。
  論文  参考訳（メタデータ） (2020-07-14T09:43:26Z)
• 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。