論文の概要: ProCTI: Prototype-Refined Global Conditioning for Diffusion-Based Time Series Imputation

• arxiv url: http://arxiv.org/abs/2609.37632v1
• Date: Tue, 29 Sep 2026 14:04:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-30 21:28:47.599916
• Title: ProCTI: Prototype-Refined Global Conditioning for Diffusion-Based Time Series Imputation
• Title（参考訳）: ProCTI:拡散型時系列インプットのためのプロトタイプ精製グローバルコンディショニング
• Abstract要約: ProCTIは、学習したプロトタイプを通じて、検索したグローバルデータセットレベルの事前処理でローカルコンディショニングを強化する拡散インプットフレームワークである。 ハイブリッド条件付け機構は、このグローバルコンテキストを逆拡散中の局所的な信号と統合し、異なる欠損シナリオ下でより正確な再構成を可能にする。
• 参考スコア（独自算出の注目度）: 9.278307561691037
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Time series imputation has progressed from statistical and deep learning approaches to diffusion-based models, which have shown strong recent performance. Existing diffusion-based methods typically condition the reverse process using local contextual information from the current or neighbouring windows. Meanwhile, global dataset-level structure often remains implicit, limiting performance when local observations are sparse, noisy, or unrepresentative. To address this issue, we propose ProCTI, a diffusion-imputation framework that augments local conditioning with retrieved global dataset-level priors through learned prototypes. A hybrid conditioning mechanism integrates this global context with local signals during reverse diffusion, enabling more accurate reconstruction under varying missingness scenarios. Experiments across multiple benchmark datasets show that ProCTI outperforms strong baselines overall under random missingness, while remaining competitive under attribute-wise missingness. Furthermore, we use a latent-regime data model to characterise the precise conditions under which prototype-derived global conditioning provably improves imputation. We support this with a general theoretical analysis of local-global conditioning.
• Abstract（参考訳）: 時系列計算は,拡散モデルに対する統計的および深層学習アプローチから進歩しており,近年は高い性能を示している。 既存の拡散ベースの手法は、通常、現在の窓や近隣の窓からの局所的なコンテキスト情報を用いて、逆処理を条件付けする。 一方、グローバルなデータセットレベルの構造はしばしば暗黙的なままであり、局所的な観測が疎かでノイズが多く、あるいは表現できない場合のパフォーマンスを制限する。 この問題に対処するため、我々は、学習したプロトタイプを通して、グローバルなデータセットレベルの事前検索で局所条件付けを強化する拡散インプットフレームワークであるProCTIを提案する。 ハイブリッド条件付け機構は、このグローバルコンテキストを逆拡散中の局所的な信号と統合し、異なる欠損シナリオ下でより正確な再構成を可能にする。 複数のベンチマークデータセットに対する実験によると、ProCTIは、ランダムな欠如の下では、全体として強いベースラインを上回り、属性ワイドの欠如下では競争力を維持している。 さらに,プロトタイプ由来のグローバルコンディショニングにより計算精度が向上する条件を特徴付けるために,潜在登録データモデルを用いる。 ローカル・グローバル・コンディショニングの一般的な理論的解析によってこれを裏付ける。

関連論文リスト

• Glocal Information Bottleneck for Time Series Imputation [70.41814118117311]
  Time Series Imputationは、時間データの欠落した値を復元することを目的としている。 既存のモデルは、通常、数値(ローカル情報)の回復に焦点をあてて、ポイントワイズ復元損失を最適化する。 我々はGlocal Information Bottleneck(Glocal-IB)という新たなトレーニングパラダイムを提案する。
  論文  参考訳（メタデータ） (2025-10-06T15:24:44Z)
• 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)
• BayesTTA: Continual-Temporal Test-Time Adaptation for Vision-Language Models via Gaussian Discriminant Analysis [41.09181390655176]
  CLIPのような視覚言語モデル(VLM)は、強いゼロショット認識を実現するが、実世界のシナリオに共通する時空間的な分散シフトの下で大幅に劣化する。 テスト分布が時間とともに徐々に変化するCT-TTA(textitContinal-Temporal Test-Time Adaptation)として、この実践的問題を定式化する。 我々は、時間的に一貫した予測を実行し、視覚表現を動的に調整する、ベイズ適応フレームワークであるtextitBayesTTAを提案する。
  論文  参考訳（メタデータ） (2025-07-11T14:02:54Z)
• Stragglers-Aware Low-Latency Synchronous Federated Learning via Layer-Wise Model Updates [71.81037644563217]
  同期フェデレーションラーニング(FL)は、協調エッジラーニングの一般的なパラダイムである。 一部のデバイスは計算資源が限られており、様々な可用性があるため、FLレイテンシはストラグラーに非常に敏感である。 本稿では,NNの最適化手法をバックプロパゲーションにより活用し,グローバルモデルを階層的に更新するストラグラー対応層対応学習(SALF)を提案する。
  論文  参考訳（メタデータ） (2024-03-27T09:14:36Z)
• Integrating Local Real Data with Global Gradient Prototypes for Classifier Re-Balancing in Federated Long-Tailed Learning [60.41501515192088]
  フェデレートラーニング(FL)は、グローバルモデルを協調的にトレーニングする複数のクライアントを含む、人気のある分散ラーニングパラダイムになっています。 データサンプルは通常、現実世界の長い尾の分布に従っており、分散化された長い尾のデータのFLは、貧弱なグローバルモデルをもたらす。 本研究では、局所的な実データとグローバルな勾配のプロトタイプを統合し、局所的なバランスの取れたデータセットを形成する。
  論文  参考訳（メタデータ） (2023-01-25T03:18:10Z)
• Decoupling Local and Global Representations of Time Series [38.73548222141307]
  本稿では,時系列における大域的・局所的な変動要因の表現を学習するための新しい生成手法を提案する。 実験では,シミュレーションデータ上での真の局所的および大域的変動係数の回復を実証した。 表現を定義する方法の提案は、データモデリングに有用であり、実世界のデータの複雑さに関するより良い洞察をもたらすと信じています。
  論文  参考訳（メタデータ） (2022-02-04T17:46:04Z)

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。