論文の概要: ChronoFlow: Hierarchical Flow Matching for Irregular Time Series Generation

• arxiv url: http://arxiv.org/abs/2609.33276v1
• Date: Sun, 27 Sep 2026 06:31:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-06 01:36:13.793021
• Title: ChronoFlow: Hierarchical Flow Matching for Irregular Time Series Generation
• Title（参考訳）: ChronoFlow:不規則時系列生成のための階層型フローマッチング
• Abstract要約: ChronoFlowは統計的な粒度によって構成された階層型フローマッチングフレームワークである。 観測回数と特徴周波数を生成し、観測時間と特徴共観測パターンを共同生成し、最終的に実現されたパターンに条件付き値を生成する。 これは、既存のベースラインよりも生成の忠実度が大幅に向上する一方、因子化研究は提案された階層をサポートする。
• 参考スコア（独自算出の注目度）: 57.19197425091645
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Recent advances in generative modeling have substantially improved time series generation, yet most existing methods either assume a regular temporal grid or focus on feature dynamics under a given sampling structure. This makes them illsuited for generating irregular time series in their native form, where a model must capture not only feature values, but also how many observations occur, when they occur, and which features are observed together. To address this heterogeneous generation problem, we propose ChronoFlow, a unified hierarchical flow matching framework organized by statistical granularity. Following a coarse-to-fine hierarchy, ChronoFlow first generates observation counts and feature-wise frequencies, then jointly generates observation times and feature co-observation patterns, and finally generates values conditioned on the realized pattern. This turns a complex joint generation problem into structurally aligned subproblems while preserving their dependencies. To evaluate complete irregular time series generation, we introduce complementary metrics spanning sample realism, sampling structure, value fidelity, and temporal and cross-feature dependencies, and validate them through controlled corruptions. Across five benchmarks, ChronoFlow achieves strong improvements in generation fidelity over existing baselines, while factorization studies support the proposed hierarchy. Our code is available at https://anonymous.4open.science/r/ChronoFlow.
• Abstract（参考訳）: 生成モデリングの最近の進歩は、時系列生成を大幅に改善しているが、既存のほとんどの手法では、通常の時間格子を仮定するか、与えられたサンプリング構造の下で特徴力学に焦点を当てている。 このことは、モデルが特徴値だけでなく、何回観測されたか、何回観測されたか、どの特徴が一緒に観測されたかを捉える必要がある、原型で不規則な時系列を生成するのに不適である。 この不均一な生成問題に対処するために,統計的粒度によって構成された階層型フローマッチングフレームワークであるChronoFlowを提案する。 粗い階層の後、ChronoFlowはまず観測数と特徴周波数を生成し、次に観測時間と特徴共観測パターンを共同で生成し、最終的に実現されたパターンに条件付き値を生成する。 これにより、複雑な結合生成問題は、依存関係を保ちながら構造的に整列したサブプロブレムへと変換される。 完全不規則な時系列生成を評価するために、サンプルリアリズム、サンプリング構造、値の忠実度、時間的および横断的な依存関係を網羅した補完的メトリクスを導入し、それらを制御された汚職を通して検証する。 5つのベンチマークで、ChronoFlowは既存のベースラインよりも生成精度が大幅に向上し、ファクタライゼーションの研究は提案された階層をサポートする。 私たちのコードはhttps://anonymous.4open.science/r/ChronoFlowで公開されています。

関連論文リスト

• Enhancing Irregular Time Series Forecasting with Continuous-Time Modeling Framework [15.900704071560698]
  WrapFlowは、不規則な時系列予測のための連続時間モデリングフレームワークである。 本研究では,ベース予測に関する条件付き残差ベクトル場を学習する残差フローマッチングの訓練パラダイムを開発する。 複数の実世界のデータセットの実験は、WrapFlowが最先端のパフォーマンスを達成することを示した。
  論文  参考訳（メタデータ） (2026-07-30T11:18:18Z)
• TimeTok: Granularity-Controllable Time-Series Generation via Hierarchical Tokenization [51.417830800990764]
  TimeTokは、Granularity-Controllable Time-Series Generationの統一フレームワークである。 TimeTokの中核は階層的なトークン化戦略であり、時系列を順序付けられたトークン列にマッピングする。 TimeTokはGC-TSGタスクに優れ、標準世代で最先端のパフォーマンスを実現している。
  論文  参考訳（メタデータ） (2026-05-02T12:30:52Z)
• 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)
• TSGDiff: Rethinking Synthetic Time Series Generation from a Pure Graph Perspective [6.771711398105306]
  拡散モデルはデータ生成において非常に有望であるが、時系列データを生成することは依然として困難である。 グラフベースの観点から時系列生成を再考する新しいフレームワークである textitTSGDiff を提示する。 グラフニューラルネットワークに基づくエンコーダデコーダアーキテクチャを用いて、潜在空間を構築する。
  論文  参考訳（メタデータ） (2025-11-15T11:58:25Z)
• TimeFlow: Towards Stochastic-Aware and Efficient Time Series Generation via Flow Matching Modeling [2.74279932215302]
  時系列データは、下流の時系列マイニングタスクを幅広くサポートするため、重要な研究トピックとして浮上している。 エンコーダのみのアーキテクチャを統合する新しいフローマッチングフレームワークであるTimeFlowを提案する。 私たちのモデルは、生成品質、多様性、効率において、一貫して強力なベースラインを上回ります。
  論文  参考訳（メタデータ） (2025-11-11T08:28:26Z)
• TimeFilter: Patch-Specific Spatial-Temporal Graph Filtration for Time Series Forecasting [87.71846357354384]
  時系列予測手法は一般的に,Channel Independent(CI)とChannel Dependent(CD)の2つの主要なカテゴリに分類される。 チャネルクラスタリング(CC)の最近の進歩は、類似した特性を持つチャネルをグループ化することで依存性モデリングを洗練することを目的としている。 我々は、適応的できめ細かい依存性モデリングのためのGNNベースのフレームワークであるTimeFilterを提案する。
  論文  参考訳（メタデータ） (2025-01-22T17:40:17Z)
• Robust Detection of Lead-Lag Relationships in Lagged Multi-Factor Models [61.10851158749843]
  データ固有のリード-ラグ関係を発見することで、重要な洞察を得ることができる。 階層化多要素モデルにおけるリードラグ関係のロバスト検出のためのクラスタリング駆動手法を開発した。
  論文  参考訳（メタデータ） (2023-05-11T10:30:35Z)

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。