論文の概要: Time series generation with spectrally aligned latent flow matching

• arxiv url: http://arxiv.org/abs/2609.21989v1
• Date: Fri, 18 Sep 2026 16:49:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-21 18:40:17.192529
• Title: Time series generation with spectrally aligned latent flow matching
• Title（参考訳）: スペクトル整列潜時流マッチングを用いた時系列生成
• Abstract要約: スペクトル整列型ラテントフロー時系列生成器を提案する。 標準信号表現に基づく微調整損失の導入は,これらの問題を克服する上で有効である。 提案手法が信号の現実性と計算効率を反映する指標に対して,提案手法の優位性を検証した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Latent flow models have proven to be a reliable and cost-effective method for time series generation. However, the latent compression induces unwanted artefacts, such as a spectral mismatch with respect to the underlying dataset, thus hindering their use as training surrogates. In this article, we propose a spectrally-aligned latent-flow time series generator, where the latent space for flow matching is trained to preserve dynamical properties that are relevant for the suitability of synthetic samples. We find that incorporating fine-tuning losses based on canonical signal representations such as the Fourier, wavelet and signature transforms helps overcome these issues. The interpretability of these transformations allows us to ensure that the synthetic signals are aligned with the true ones in terms of relevant features, such as smoothness or targeted spectral content, as opposed to relying on pointwise reconstruction losses only. We compare the proposed aligned models against a base latent-flow model and the state of the art over real-world long-range univariate and multivariate benchmark datasets. Our quantitative results validate the superiority of the proposed method in terms of its performance on metrics reflecting signal realness and computational efficiency, while being aligned to the training set with respect to its local structure.
• Abstract（参考訳）: 遅延フローモデルは、時系列生成の信頼性とコスト効率のよい方法であることが証明されている。 しかし、潜在圧縮は、基礎となるデータセットに対するスペクトルミスマッチのような望ましくないアーティファクトを誘導し、トレーニングサロゲートとしての使用を妨げる。 本稿では,合成試料の適合性に関係のある動的特性を維持するために,フローマッチングのための潜時空間をトレーニングするスペクトル整列型潜時流時系列生成器を提案する。 フーリエ,ウェーブレット,シグネチャ変換などの標準信号表現に基づく微調整損失の導入は,これらの問題を克服するのに有効である。 これらの変換の解釈可能性により,合成信号が真の信号と一致していることが保証される。 提案したアライメントモデルとベースラテントフローモデル,および実世界の長距離ユニバリアレートおよび多変量ベンチマークデータセットを比較した。 提案手法の精度は,信号の現実性や計算効率を反映する指標で評価し,その局所的構造に関してトレーニングセットに整合した上で評価した。

関連論文リスト

• Sequential RC-TGAN: Generating Relational Time Series with Spectral Envelope Loss [2.6599014990168834]
  本稿では,RC-TGANフレームワークの時間拡張であるSequential RC-TGAN(Seq. RC-TGAN)について紹介する。 エンド・ツー・エンドのアプローチは、循環パターンの再現や長期的季節性において最先端のシステムよりも著しく優れています。
  論文  参考訳（メタデータ） (2026-06-30T16:09:10Z)
• Parameter-efficient Dual-encoder Architecture with Differentiable Choquet Integral Fusion for Underwater Acoustic Classification [43.92337343771302]
  本稿では、音響波形とスペクトログラムを同時に処理するデュアルエンコーダニューラルアーキテクチャを提案する。 潜在的な非対称なチャネル歪みによって最小に劣化した表現に動的に注意を移すことにより、提案したゲーティング機構は水中環境の非定常的課題を緩和する。
  論文  参考訳（メタデータ） (2026-06-01T14:49:38Z)
• Probability-Conserving Flow Guidance [49.03107678763765]
  Adaptive Manifold Guidance (AdaMaG)はリアリズムを改善し、幻覚を減らし、高誘導下での劣化を制御する。 画像生成ベンチマーク全体で、AdaMaGはリアリズムを改善し、幻覚を減らし、高誘導下での劣化を制御する。
  論文  参考訳（メタデータ） (2026-05-19T16:34:01Z)
• Binary Flow Matching: Prediction-Loss Space Alignment for Robust Learning [23.616336786063552]
  フローマッチングは、生成モデリングの強力なフレームワークとして登場した。 速度に基づく目的と結合した場合に発生する潜在構造ミスマッチを同定する。 信号空間に対する目的の再調整が特異重み付けを排除していることを示す。
  論文  参考訳（メタデータ） (2026-02-11T02:02:30Z)
• Unconditional flow-based time series generation with equivariance-regularised latent spaces [0.0]
  フローベースモデルは時系列生成に成功している。 しかし、時系列生成モデルに望ましい同値性を持つ潜在表現を設計する方法は、まだ未定である。 本稿では,事前学習したオートエンコーダの簡単な正規化により,等価性を明示的に促進する潜在フローマッチングフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-01-30T11:19:33Z)
• LSCD: Lomb-Scargle Conditioned Diffusion for Time series Imputation [55.800319453296886]
  欠落または不規則なサンプルデータを持つ時系列は、機械学習において永続的な課題である。 我々は,不規則サンプルデータのパワースペクトルの信頼性の高い計算を可能にする,異なるLombiable-Scargle層を導入する。
  論文  参考訳（メタデータ） (2025-06-20T14:48:42Z)
• Solving Inverse Problems with FLAIR [68.87167940623318]
  本稿では,フローベース生成モデルを逆問題に先立って活用する学習自由変分フレームワークFLAIRを提案する。 標準画像ベンチマークの結果、FLAIRは再現性やサンプルの多様性の観点から、既存の拡散法や流れ法よりも一貫して優れていることが示された。
  論文  参考訳（メタデータ） (2025-06-03T09:29:47Z)
• MFRS: A Multi-Frequency Reference Series Approach to Scalable and Accurate Time-Series Forecasting [51.94256702463408]
  時系列予測は、周波数の異なる周期特性から導かれる。 マルチ周波数参照系列相関解析に基づく新しい時系列予測手法を提案する。 主要なオープンデータセットと合成データセットの実験は、最先端のパフォーマンスを示している。
  論文  参考訳（メタデータ） (2025-03-11T11:40:14Z)
• Time-series Generation by Contrastive Imitation [87.51882102248395]
  モーメントマッチングの目的によってモチベーションされ、複合的エラーを軽減し、局所的(しかし前方的な)遷移ポリシーを最適化する。 推論において、学習されたポリシーは反復的なサンプリングのジェネレータとして機能し、学習されたエネルギーはサンプルの品質を評価するための軌道レベル尺度として機能する。
  論文  参考訳（メタデータ） (2023-11-02T16:45:25Z)
• Conditional Sig-Wasserstein GANs for Time Series Generation [8.593063679921109]
  GAN(Generative Adversarial Network)は、高次元の確率測度からサンプルを生成するのに非常に成功した。 これらの手法は時系列データによって誘導される関節確率分布の時間的依存を捉えるのに苦労する。 時系列データストリームはターゲット空間の次元を大幅に増加させ、生成的モデリングが不可能になる可能性がある。 本稿では,Wasserstein-GANを数学的原理と効率的な経路特徴抽出と統合した汎用条件付きSig-WGANフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-06-09T17:38:55Z)

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。