論文の概要: ZeroDiff: Zero-Shot Time Series Reconstruction via Informed-Prior Diffusion

• arxiv url: http://arxiv.org/abs/2609.37078v1
• Date: Tue, 29 Sep 2026 09:12:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-30 21:28:47.354042
• Title: ZeroDiff: Zero-Shot Time Series Reconstruction via Informed-Prior Diffusion
• Title（参考訳）: ZeroDiff: Informed-Prior Diffusionによるゼロショット時系列再構成
• Abstract要約: 時系列モデリングは、ますます高品質な監視を必要としている。 観測地点で訓練されたモデルは、計測されたことのない目標時系列を再構築できるのか? これをゼロショット時系列再構成と呼ぶ。
• 参考スコア（独自算出の注目度）: 14.926664799512713
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Time series modeling increasingly demands high-quality supervision, yet target observations remain scarce - exogenous inputs are broadly available, but target measurements are often unavailable due to cost, infrastructure, or accessibility constraints. Can models trained on observed locations reconstruct target time series where measurements have never been collected? We term this zero-shot time series reconstruction. A naive approach - directly mapping exogenous inputs to targets - can yield predictions at unobserved locations, but without target signals, such models fail to capture the intrinsic dynamics of the target variable, producing overly smooth outputs that underestimate extremes. This reveals systematic errors that call for explicit modeling and calibration. We propose ZeroDiff, which constructs an informed prior from exogenous variables alone, then learns to calibrate reconstruction errors through diffusion - training on observed locations and generalizing to unobserved ones. Experiments across diverse real-world datasets demonstrate significant improvements over existing approaches. Our code is available at https://github.com/YingdaFan/ZeroDiff-ICML2026.
• Abstract（参考訳）: 時系列モデリングでは、品質の高い監視がますます要求されるが、ターゲットの観測は少なく、外生的な入力は広く利用できるが、コスト、インフラ、アクセシビリティの制約により、ターゲットの計測は利用できないことが多い。 観測地点で訓練されたモデルは、計測されたことのない目標時系列を再構築できるのか? これをゼロショット時系列再構成と呼ぶ。 直感的なアプローチ(外因性入力を直接ターゲットにマッピングする)は、観測されていない場所で予測するが、ターゲット信号がなければ、そのようなモデルはターゲット変数の固有のダイナミクスを捉えず、過度に滑らかな出力を生成し、極端を過小評価する。 これは、明示的なモデリングとキャリブレーションを要求する体系的なエラーを明らかにする。 我々は,外因性変数のみから情報事前を構築するZeroDiffを提案し,拡散による再構成誤りの校正を学習する。 さまざまな実世界のデータセットに対する実験は、既存のアプローチよりも大幅に改善されている。 私たちのコードはhttps://github.com/YingdaFan/ZeroDiff-ICML2026で公開されています。

関連論文リスト

• DriftScope: Measuring The Hidden Effects of Diffusion Model Adaptation [50.584834483403675]
  新しい視覚概念を学習するか、望ましくないものを消去するか、事前学習したテキスト・画像拡散モデルに適応させることは、意図した効果だけで日常的に評価される。 適応が意味論的に無関係な概念を、構造的にメトリクスを集約することができない方法で体系的に損なうことを実証する。 DriftScopeは、任意の2つのモデルチェックポイントを取り込み、視覚的概念が最も移行したトークンのランクリストを返す、プロンプトレベルの診断ツールである。
  論文  参考訳（メタデータ） (2026-06-30T20:57:51Z)
• Propagating the prior from far to near offset: A self-supervised diffusion framework for progressively recovering near-offsets of towed-streamer data [3.7098038388802252]
  トレッド・ストリーマーの地震では、最も近いハイドロフォンはしばしば源から200メートル離れている。 本稿では,近接オフセット参照データを必要とせずに,欠落したニアオフセットトレースを再構成する自己教師付き拡散ベースフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-02-02T10:13:18Z)
• Beyond Observations: Reconstruction Error-Guided Irregularly Sampled Time Series Representation Learning [38.869433924831156]
  iTimERはISTS表現学習のための自己教師型フレームワークである。 観測されていないタイムスタンプをノイズ対応トレーニングターゲットに変換し、意味のある再構築信号を可能にする。 iTimERは、ISTS設定下での最先端メソッドを一貫して上回る。
  論文  参考訳（メタデータ） (2025-11-10T08:53:10Z)
• Revisiting Multivariate Time Series Forecasting with Missing Values [65.30332997607141]
  現実の時系列では欠落値が一般的である。 現在のアプローチでは、計算モジュールを使用して、不足した値を補う、計算済みの予測フレームワークが開発されている。 このフレームワークは、致命的な問題を見落としている: 欠落した値に対して基礎的な真理は存在せず、予測精度を劣化させる可能性のあるエラーの影響を受けやすいようにしている。 本稿では,Information Bottleneck原則に基づく新しいフレームワークであるConsistency-Regularized Information Bottleneck(CRIB)を紹介する。
  論文  参考訳（メタデータ） (2025-09-27T20:57:48Z)
• 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)
• Uncovering the Missing Pattern: Unified Framework Towards Trajectory Imputation and Prediction [60.60223171143206]
  軌道予測は、観測されたシーケンスから実体運動や人間の行動を理解する上で重要な作業である。 現在の方法では、観測されたシーケンスが完了したと仮定し、欠落した値の可能性を無視する。 本稿では,グラフに基づく条件変動リカレントニューラルネットワーク (GC-VRNN) の統一フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-03-28T14:27:27Z)
• Self-Supervised Training with Autoencoders for Visual Anomaly Detection [61.62861063776813]
  我々は, 正規サンプルの分布を低次元多様体で支持する異常検出において, 特定のユースケースに焦点を当てた。 我々は、訓練中に識別情報を活用する自己指導型学習体制に適応するが、通常の例のサブ多様体に焦点をあてる。 製造領域における視覚異常検出のための挑戦的なベンチマークであるMVTec ADデータセットで、最先端の新たな結果を達成する。
  論文  参考訳（メタデータ） (2022-06-23T14:16:30Z)

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。