論文の概要: Wavelet Flow Matching for Time Series

• arxiv url: http://arxiv.org/abs/2609.39374v1
• Date: Wed, 30 Sep 2026 09:25:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-01 18:57:27.517004
• Title: Wavelet Flow Matching for Time Series
• Title（参考訳）: 時系列のウェーブレットフローマッチング
• Abstract要約: 合成時系列は、データ拡張、プライバシ保護データ共有、下流モデル開発にますます利用されている。 ウェーブレット領域におけるフローマッチングによる多変量時系列生成について検討する。 提案手法は,データセット・メトリックの組み合わせの大部分に最も適または結びついており,Context-FIDと差別的スコアの最大かつ最も一貫した改善点である。
• 参考スコア（独自算出の注目度）: 12.687557934465778
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Synthetic time series are increasingly used for data augmentation, privacy-preserving data sharing, and downstream model development, yet faithfully reproducing both multi-scale temporal structure and cross-channel dependencies remains challenging. We study multivariate time-series generation through flow matching in the wavelet domain. By operating on multilevel discrete wavelet coefficients rather than directly in the time domain, the model represents coarse structure and progressively finer details at separate scales. Their naturally different variances further induce an implicit coarse-to-fine generative process without requiring an explicit multi-scale schedule. Since the transform acts independently on each channel, we pair it with a channel-token transformer whose attention directly models cross-channel dependencies. Across seven benchmark datasets and four sequence lengths, our method is best or tied on a majority of dataset-metric combinations, with the largest and most consistent improvements in Context-FID and discriminative score.
• Abstract（参考訳）: 合成時系列は、データ拡張、プライバシ保護データ共有、下流モデル開発にますます使われていますが、マルチスケールの時間構造とチャネル間の依存関係の両方を忠実に再現することは難しいままです。 ウェーブレット領域におけるフローマッチングによる多変量時系列生成について検討する。 時間領域内で直接ではなく、多レベル離散ウェーブレット係数を演算することにより、モデルは粗い構造を表し、異なるスケールで徐々に詳細を詳細に表現する。 自然に異なる分散は、明示的なマルチスケールスケジュールを必要とせず、暗黙の粗大な生成プロセスをさらに引き起こす。 変換は各チャネルに独立して作用するため、チャネル間の依存関係を直接モデル化するチャネルツーケン変換器と組み合わせる。 7つのベンチマークデータセットと4つのシーケンス長にまたがって、我々の手法はデータセットメトリックの組み合わせの大部分に最善か結びついており、Context-FIDと差別的スコアの最大かつ最も一貫した改善である。

関連論文リスト

• DiTS: Multimodal Diffusion Transformers Are Time Series Forecasters [50.43534351968113]
  既存の生成時系列モデルは、時系列データの多次元特性にうまく対応していない。 動画生成にテキストガイダンスを組み込んだマルチモーダル拡散変換器に着想を得て,Diffusion Transformer for Time Series (DiTS)を提案する。
  論文  参考訳（メタデータ） (2026-02-06T10:48:13Z)
• WaveletDiff: Multilevel Wavelet Diffusion For Time Series Generation [15.28917997999402]
  WaveletDiffは、時系列データ固有の多重解像度構造を利用するために、ウェーブレット係数上で拡散モデルを直接訓練する新しいフレームワークである。 最先端の時間領域と周波数領域の生成手法を5つの異なるパフォーマンス指標で比較すると、一貫して性能が向上する。
  論文  参考訳（メタデータ） (2025-10-13T18:47:33Z)
• Stage-Diff: Stage-wise Long-Term Time Series Generation Based on Diffusion Models [13.345872524896722]
  本研究では,拡散モデルに基づく長期時系列のステージ生成モデルであるStageDiffを提案する。 第一に、段階的シーケンス生成と段階間情報転送により、モデルは長期的シーケンス依存を保存する。 第二に、各段階において進行シーケンス分解を適用して、異なる時間スケールでチャネルに依存しないモデリングを行う。
  論文  参考訳（メタデータ） (2025-08-29T05:10:10Z)
• Time Tracker: Mixture-of-Experts-Enhanced Foundation Time Series Forecasting Model with Decoupled Training Pipelines [5.543238821368548]
  時系列はしばしば、異なる時間帯と領域にまたがる時間パターンに顕著な多様性を示す。 Time Trackerは、精度、モデルの一般化、適応性を予測する際に最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2025-05-21T06:18:41Z)
• MFRS: A Multi-Frequency Reference Series Approach to Scalable and Accurate Time-Series Forecasting [51.94256702463408]
  時系列予測は、周波数の異なる周期特性から導かれる。 マルチ周波数参照系列相関解析に基づく新しい時系列予測手法を提案する。 主要なオープンデータセットと合成データセットの実験は、最先端のパフォーマンスを示している。
  論文  参考訳（メタデータ） (2025-03-11T11:40:14Z)
• Rough Transformers: Lightweight and Continuous Time Series Modelling through Signature Patching [46.58170057001437]
  本稿では,入力シーケンスの連続時間表現で動作するトランスフォーマーモデルのバリエーションであるRough Transformerを紹介する。 様々な時系列関連タスクにおいて、Rough Transformersはベニラアテンションよりも常に優れています。
  論文  参考訳（メタデータ） (2024-05-31T14:00:44Z)
• 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)
• Multi-scale Attention Flow for Probabilistic Time Series Forecasting [68.20798558048678]
  マルチスケールアテンション正規化フロー(MANF)と呼ばれる非自己回帰型ディープラーニングモデルを提案する。 我々のモデルは累積誤差の影響を回避し、時間の複雑さを増大させない。 本モデルは,多くの多変量データセット上での最先端性能を実現する。
  論文  参考訳（メタデータ） (2022-05-16T07:53:42Z)

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。