論文の概要: When Does Adversarial Refinement Help? A Negative Result and Open Problem in Adapting R3GAN to Time Series Imputation

• arxiv url: http://arxiv.org/abs/2609.23102v1
• Date: Sat, 19 Sep 2026 16:16:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-22 20:29:00.676492
• Title: When Does Adversarial Refinement Help? A Negative Result and Open Problem in Adapting R3GAN to Time Series Imputation
• Title（参考訳）: R3GANを時系列インプットに適応する際の負の結果とオープンな問題
• Abstract要約: 我々は、粗い微細化フレームワークと周波数領域判別器を用いて、R3GANを1次元時間データに適用する。 5つの保存平均/ゼロスタート構成は48.4-70.2%改善した。 耐候性の比較では、スタンドアロンのR3GAN-1DはBRITSの5.8倍の性能が低い。
• 参考スコア（独自算出の注目度）: 1.2147145617662434
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Diffusion models and transformers have supplanted GANs for multivariate time series imputation, largely on grounds of GAN training instability. R3GAN (NeurIPS 2024) removes that instability via regularized relativistic losses with provable convergence, raising a natural question: do stable, modern GANs revive adversarial imputation? We adapt R3GAN to 1D temporal data with a coarse-to-fine refinement framework and a frequency-domain discriminator, and audit 14 saved configurations across 3 datasets. Because these are heterogeneous single runs, the evidence is descriptive rather than a matched causal ablation. We report a negative result. All five saved mean/zero-start configurations improve by 48.4-70.2%. Among eight eligible non-legacy linear-start configurations, the mean change is -0.7% (range -3.0% to +1.1%); a separate -21.9% legacy logging anomaly is retained for provenance but excluded from that aggregate. In a saved Weather comparison, standalone R3GAN-1D underperforms BRITS by 5.8x. Crucially, we argue the common explanation (that GANs optimize distributional rather than point-wise objectives) cannot be the whole story, since diffusion models also optimize distributional objectives yet achieve state-of-the-art imputation. Our saved reconstruction-weight sweep is consistent with the adversarial signal being inert or harmful, but cannot identify its causal contribution; a matched discriminator-removed ablation is the key next experiment. We frame the precise reason a learned discriminator fails to provide useful refinement gradients (where a learned diffusion denoiser succeeds) as an open problem, and offer practical guidance on when adversarial refinement is worthwhile.
• Abstract（参考訳）: 拡散モデルと変圧器は、GANトレーニング不安定性の前提として、多変量時系列計算のためにGANを置換した。 R3GAN (NeurIPS 2024) は、証明可能な収束を伴う正規化相対論的損失による不安定性を排除し、自然な疑問を提起している。 我々はR3GANを粗い微細化フレームワークと周波数領域判別器で1次元時間データに適用し、3つのデータセットにまたがる14の保存構成を監査する。 これらは異種単行であるため、証拠は一致した因果アブレーションではなく記述的である。 私たちは否定的な結果を報告します。 5つの保存平均/ゼロスタート構成は48.4-70.2%改善した。 8つの適用可能な非レガシーなリニアスタート構成の中で、平均的な変更は-0.7%(範囲-3.0%から+1.1%)であり、独立した-21.9%のレガシーロギング異常は証明のために保持されるが、その集計から除外される。 耐候性の比較では、スタンドアロンのR3GAN-1DはBRITSの5.8倍の性能が低い。 重要なことは、拡散モデルもまた分布の目的を最適化するが、最先端の計算では達成できないため、共通説明(GANがポイントワイドの目的よりも分布を最適化する)はストーリー全体ではあり得ないということである。 我々の保存した再建重量は、敵の信号が不活性または有害であるが、因果関係を特定できないことと一致している;一致した判別器除去アブレーションが次の重要な実験である。 我々は、学習した判別器が、オープンな問題として有用な洗練勾配(学習拡散復号器が成功する)を提供しない正確な理由を定式化し、敵対的洗練が価値のあるときの実践的なガイダンスを提供する。

関連論文リスト

• Bilinear Optimization Divergence: Diagnosing Factor-Constrained LoRA Continual Learning [9.210432526729507]
  本稿では,選択した歴史的特徴に対する有効更新応答のアンカー相対的診断を定式化する。 共用アダプタにおいて、ルーティング変位を保護すると、変化した共役因子を介して学習アンカー残余が残る。 新たなゼロ出力ブロックでは、実行可能なルーティング状態が、両方の現在の要因がトレーニング可能である間、構成された更新を保護することができる。
  論文  参考訳（メタデータ） (2026-09-20T12:26:14Z)
• When Genomic Masking Priors Fail to Transfer: Strong Variant Prediction, Weak Functional Generation [6.888870145233493]
  双方向離散拡散モデルは、両方の側面から欠落した配列を再構成できるため、ゲノムモデリングに自然に適しているように見える。 我々は, エントロピー誘導スパン配置が構成複雑領域の再構成圧力を集中させるという仮説の下で, GenDA (Genomic density-timized Absorbing Diffusion) を開発した。 私たちの結果は、この前提を部分的に支持するだけであります。
  論文  参考訳（メタデータ） (2026-09-04T08:21:34Z)
• Kolmogorov Regression for Robust Diffusion Policies [0.0]
  有限次元拡散政策(FD)は、離散化アーティファクトによる時間的ドリフトを示す。 我々は、キャメロン-マルティン空間への拡散ポリシを持ち上げるコルモゴロフ方程式を導入する。 デッドロック現象を96%削減するハミルトン・ヤコビ到達可能性理論を用いて派遣政策を認証する。
  論文  参考訳（メタデータ） (2026-06-16T17:18:54Z)
• From Correlation to Cause: A Five-Stage Methodology for Feature Analysis in Transformer Language Models [0.0]
  変換言語モデルにおける因果的特徴分析のための5段階の手法を提案する。 Indirect Object Identification (IOI) タスクを実行するGPT-2のエンド・ツー・エンドを実証する。
  論文  参考訳（メタデータ） (2026-05-21T13:25:16Z)
• Deep Doubly Debiased Longitudinal Effect Estimation with ICE G-Computation [13.1234934131475]
  シーケンシャルな意思決定には縦断的治療効果の推定が不可欠であるが, 共同ファウンダーのフィードバックにより困難である。 D3-Netは,ICEトレーニングにおける誤りの伝播を軽減し,堅牢な最終補正を行うフレームワークである。 我々のモデルであるD3-Netは、異なる地平線、反事実、時間的差異の偏りと分散を頑健に低減します。
  論文  参考訳（メタデータ） (2026-02-12T20:16:27Z)
• Generalizing GNNs with Tokenized Mixture of Experts [75.8310720413187]
  安定性の向上には,変化に敏感な特徴への依存を低減し,既約最悪の一般化フロアを残す必要があることを示す。 本研究では,STEM-GNNを提案する。STEM-GNN,STEM-GNN,STEM-GNN,STEM-GNN,STEM-GNN,STEM-GNN,STEM-GNN,STEM-GNN,STEM-GNN。 9つのノード、リンク、グラフのベンチマークで、STEM-GNNはより強力な3方向バランスを実現し、クリアグラフ上での競争力を維持しながら、次数/ホモフィリーシフトや特徴/エッジの破損に対する堅牢性を改善している。
  論文  参考訳（メタデータ） (2026-02-09T22:48:30Z)
• SMaRt: Improving GANs with Score Matching Regularity [114.43433222721025]
  生成的敵ネットワーク(GAN)は通常、基礎となる多様体が複雑である非常に多様なデータから学ぶのに苦労する。 スコアマッチングは、生成したデータポイントを実データ多様体へ持続的にプッシュする能力のおかげで、この問題に対する有望な解決策であることがわかった。 提案手法は, 実世界のデータセットにおいて, 近似スコア関数として機能する事前学習拡散モデルを用いて, 最先端のGANの性能を継続的に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） (2023-11-30T03:05:14Z)
• Diffusion-GAN: Training GANs with Diffusion [135.24433011977874]
  GAN(Generative Adversarial Network)は、安定してトレーニングすることが難しい。 フォワード拡散チェーンを利用してインスタンスノイズを生成する新しいGANフレームワークであるDiffusion-GANを提案する。 我々は,Diffusion-GANにより,最先端のGANよりも高い安定性とデータ効率で,よりリアルな画像を生成することができることを示す。
  論文  参考訳（メタデータ） (2022-06-05T20:45:01Z)

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。