Fugu-MT 論文翻訳(概要): DiffPTS: Rethinking Diffusion ELBO for Probabilistic Time Series Forecasting

論文の概要: DiffPTS: Rethinking Diffusion ELBO for Probabilistic Time Series Forecasting

arxiv url: http://arxiv.org/abs/2609.32363v1
Date: Sat, 26 Sep 2026 08:41:10 GMT
ステータス: 翻訳完了
システム内更新日: 2026-10-07 17:22:45.197904
Title: DiffPTS: Rethinking Diffusion ELBO for Probabilistic Time Series Forecasting
Title（参考訳）: DiffPTS:確率的時系列予測のための拡散ELBOの再考
Abstract要約: 確率的時系列予測には、複雑で時間的な分布をモデル化し、予測する必要がある。 Denoising Diffusion Probabilistic Model (DDPM) に基づくアプローチは、事前訓練された平均および分散推定器でdif-fusionプロセスを実装することで、有望であることを示す。 Diff-PTSは,エビデンスローバウンド内のすべてのコンポーネントのエンドツーエンドの最適化を可能にする汎用フレームワークである。
参考スコア（独自算出の注目度）: 20.843180660578792
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Probabilistic time series forecasting requires modeling and predicting complex and time-varying distributions. Recently, Denoising Diffusion Probabilistic Model (DDPM)-based approaches have shown promise by equipping the dif- fusion process with pretrained mean and variance estimators to accommodate distributional shift. However, these methods typically follow the standard DDPM framework and consider only partial components of the evidence lower bound (ELBO), treating the training of estimators as designed regression tasks separate from the variational inference framework. To address this, we rethink the ELBO under the Location-Scale Noise Model (LSNM) and find that it naturally induces a Gaussian negative log likelihood objective for the estimators and inherently defines a joint training objective that unifies recent diffusion paradigms for probabilistic forecasting. Building on this principled ELBO reformulation, we propose Diff- PTS, a general framework that enables end-to-end optimization of all components within the ELBO. Across multiple benchmarks, DiffPTS consistently outperforms recent models, achieving state-of-the-art performance with an average CRPS/MSE reduction of over 14.53%/16.55% compared to existing diffusion-based methods. The code is available at https://github.com/wwy155/DiffPTS.
Abstract（参考訳）: 確率的時系列予測には、複雑で時間的な分布をモデル化し、予測する必要がある。近年,Deffusion Probabilistic Model (DDPM) に基づくアプローチは,分散シフトに対応するために,事前訓練された平均と分散推定器をdif-fusionプロセスに組み込むことによって,将来性を示している。しかしながら、これらの手法は通常標準的なDDPMフレームワークに従い、エビデンス・ローバウンド(ELBO)の部分コンポーネントのみを考慮し、推定器のトレーニングを変分推論フレームワークとは別の設計された回帰タスクとして扱う。そこで我々は,位置-スケールノイズモデル(LSNM)の下でELBOを再考し,推定器に対して自然にガウス的負の対数確率目標を導出し,確率的予測のための最近の拡散パラダイムを統一する共同学習目標を本質的に定義することを見出した。この原理に基づいて,ELBO内のすべてのコンポーネントのエンドツーエンド最適化を可能にする汎用フレームワークであるDiff-PTSを提案する。複数のベンチマークにおいて、DiffPTSは最新のモデルより一貫して優れており、既存の拡散法に比べてCRPS/MSE平均14.53%/16.55%の削減を実現している。コードはhttps://github.com/wwy155/DiffPTS.comで公開されている。

関連論文リスト

Hierarchical Exponential-Gaussian Mixtures for Watch-Time Distribution Prediction [74.05279072166697]
Exponential-Gaussian Mixture Network (EGMN) は完全な条件WT分布をモデル化する。 EGMNは分散崩壊、コンポーネントの冗長性、不活性成分に弱い。本稿では,これらの故障モードに対処する階層型指数-ガウス混合(HEGM)モデルを提案する。
論文参考訳（メタデータ） (2026-08-24T15:06:18Z)
SimDiff: Simpler Yet Better Diffusion Model for Time Series Point Forecasting [8.141505251306622]
拡散モデルは近年,時系列予測において有望であることが示されている。それらはしばしば最先端のポイント推定性能を達成するのに失敗する。ポイント推定のための一段階のエンドツーエンドフレームワークであるSimDiffを提案する。
論文参考訳（メタデータ） (2025-11-24T16:09:55Z)
RDIT: Residual-based Diffusion Implicit Models for Probabilistic Time Series Forecasting [4.140149411004857]
RDITは、点推定と残差に基づく条件拡散と双方向のMambaネットワークを組み合わせたプラグアンドプレイフレームワークである。 RDITは, 強いベースラインに比べてCRPSの低下, 高速推論, カバレッジの向上を実現している。
論文参考訳（メタデータ） (2025-09-02T14:06:29Z)
Inference-Time Scaling of Diffusion Language Models with Particle Gibbs Sampling [70.8832906871441]
我々は、モデルを再訓練することなく、所望の報酬に向けて世代を操る方法を研究する。従来の手法では、通常は1つの認知軌道内でサンプリングやフィルタを行い、軌道レベルの改善なしに報酬をステップバイステップで最適化する。本稿では,拡散言語モデル(PG-DLM)の粒子ギブスサンプリングについて紹介する。
論文参考訳（メタデータ） (2025-07-11T08:00:47Z)
Elucidated Rolling Diffusion Models for Probabilistic Weather Forecasting [52.6508222408558]
Eucidated Rolling Diffusion Models (ERDM)を紹介する。 ERDMはEucidated Diffusion Models (EDM) の原理的, 性能的設計とローリング予測構造を統一する最初のフレームワークである 2D Navier-StokesシミュレーションとERA5グローバル気象予報の1.5円解像度では、ERDMはキー拡散ベースラインを一貫して上回っている。
論文参考訳（メタデータ） (2025-06-24T21:44:31Z)
Effective Probabilistic Time Series Forecasting with Fourier Adaptive Noise-Separated Diffusion [13.640501360968782]
FALDAは時系列予測のための新しい確率的フレームワークである。コンポーネント固有のアーキテクチャが組み込まれており、個々の時間的コンポーネントをカスタマイズしたモデリングを可能にする。 6つの実世界のベンチマーク実験は、FALDAが既存の確率予測手法を一貫して上回っていることを示している。 FALDAはまた、最先端(SOTA)ポイント予測アプローチよりも優れた全体的なパフォーマンスを実現し、最大9%の改善を実現している。
論文参考訳（メタデータ） (2025-05-16T14:32:34Z)
Feynman-Kac Correctors in Diffusion: Annealing, Guidance, and Product of Experts [64.34482582690927]
事前学習したスコアベースモデルから得られた熱処理, 幾何平均, 製品分布の配列から, 効率的かつ原理的に抽出する方法を提供する。本稿では,サンプリング品質を向上させるために,推論時間スケーリングを利用する逐次モンテカルロ(SMC)再サンプリングアルゴリズムを提案する。
論文参考訳（メタデータ） (2025-03-04T17:46:51Z)
One More Step: A Versatile Plug-and-Play Module for Rectifying Diffusion Schedule Flaws and Enhancing Low-Frequency Controls [77.42510898755037]
One More Step (OMS) は、推論中に単純だが効果的なステップを付加したコンパクトネットワークである。 OMSは画像の忠実度を高め、トレーニングと推論の二分法を調和させ、元のモデルパラメータを保存する。トレーニングが完了すると、同じ潜在ドメインを持つ様々な事前訓練された拡散モデルが同じOMSモジュールを共有することができる。
論文参考訳（メタデータ） (2023-11-27T12:02:42Z)
Scalable Dynamic Mixture Model with Full Covariance for Probabilistic Traffic Forecasting [14.951166842027819]
時間変化誤差過程に対するゼロ平均ガウス分布の動的混合を提案する。提案手法は,学習すべきパラメータを数つ追加するだけで,既存のディープラーニングフレームワークにシームレスに統合することができる。提案手法を交通速度予測タスク上で評価し,提案手法がモデル水平線を改良するだけでなく,解釈可能な時間相関構造も提供することを発見した。
論文参考訳（メタデータ） (2022-12-10T22:50:00Z)

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。