論文の概要: Energy Time-Series Imputation with Differentially Private Diffusion Models via Clipping-Aware Objective Conditioning

• arxiv url: http://arxiv.org/abs/2610.00209v1
• Date: Mon, 21 Sep 2026 03:37:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-05 14:48:16.405876
• Title: Energy Time-Series Imputation with Differentially Private Diffusion Models via Clipping-Aware Objective Conditioning
• Title（参考訳）: クリッピング・アウェア・オブジェクト・コンディショニングによる個人差分拡散モデルによるエネルギー時系列計算
• Abstract要約: 微分プライベート勾配降下法で訓練された拡散モデルは、プライバシーに敏感なエネルギー時系列計算のための有望な枠組みを提供する。 我々は拡散型エネルギー時系列計算のための時間ステップを考慮した客観的条件付けを開発する。 実世界の5つの時系列データセットにおいて、ランダムな点の欠如、連続的なブロック欠如、永続的な停止、複数の欠落データ重大性を評価する。
• 参考スコア（独自算出の注目度）: 24.30404217010351
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Reliable recovery of missing measurements is important for monitoring and analysis in energy time-series systems, where fine-grained measurements may contain sensitive temporal information. Diffusion models trained with differentially private stochastic gradient descent (DP-SGD) provide a promising framework for privacy-sensitive energy time-series imputation. Under cosine diffusion schedules, late timesteps correspond to low signal-to-noise ratio (SNR) conditions, where standard $\varepsilon$-prediction can induce large pre-clipping gradients. Such gradients are more likely to be clipped, reducing the retained optimization signal. The artificial intelligence (AI) contribution lies in formulating this objective--clipping interaction as an objective optimization problem under fixed-threshold DP-SGD and developing timestep-aware objective conditioning for diffusion-based energy time-series imputation. The method adopts $v$-prediction to mitigate late-timestep gradient amplification, uses static loss weighting as a uniform-scaling control, and introduces diffusion-schedule-aware dynamic weighting for stronger attenuation before clipping. For the engineering application, we evaluate the method on five real-world energy time-series datasets across random point missingness, contiguous block missingness, persistent outages, and multiple missing-data severities. Under matched DP-SGD settings, the proposed method consistently improves imputation utility over the $\varepsilon$-prediction baseline. Gradient diagnostics reveal lower upper-tail pre-clipping gradient norms, reduced clipping fractions, and stronger attenuation at late low-SNR timesteps, supporting the effectiveness of clipping-aware objective conditioning for energy time-series imputation.
• Abstract（参考訳）: エネルギー時系列システムにおいて、微粒な測定が機密情報を含む場合のモニタリングと分析には、欠落した測定の信頼性の回復が重要である。 差分的確率勾配勾配勾配(DP-SGD)で訓練された拡散モデルは、プライバシーに敏感なエネルギー時系列計算のための有望な枠組みを提供する。 コサイン拡散スケジュールでは、遅延時間ステップは低信号-雑音比(SNR)条件に対応し、標準の$\varepsilon$-predictionは大きなプレクリッピング勾配を誘導する。 このような勾配はクリッピングされやすいため、残留する最適化信号は減少する。 人工知能(AI)の貢献は、固定閾値DP-SGDの下での客観的な最適化問題として、この客観的な相互作用を定式化し、拡散に基づくエネルギー時系列計算のための時間ステップ対応の客観的条件付けを開発することである。 この方法は、遅延時間勾配の増幅を緩和するために$v$-predictionを採用し、一様スケーリング制御として静的損失重み付けを使用し、クリッピング前のより強い減衰のために拡散スケジュール対応の動的重み付けを導入している。 工学的応用として、ランダムな点の欠如、連続的なブロック欠如、永続的な機能停止、複数の欠落データ重大性にまたがる5つの実世界のエネルギー時系列データセットの手法を評価する。 一致したDP-SGD設定の下では,提案手法は$\varepsilon$-predictionベースラインよりも一貫して計算効率を向上する。 グラディエント診断では, 上尾前傾行基準の低下, クリッピング率の低下, 低SNR後期の時間経過における減衰の増大が示され, エネルギー時系列計算におけるクリッピングを意識した客観的条件付けの有効性が示唆された。

関連論文リスト

• ASSERT: Adaptive Stochastic Sampling for Robust Diffusion Models on Analog Compute-in-Memory Hardware [13.123394042691642]
  拡散モデルは、強い画像生成品質を実現するが、高い反復的 denoising コストをもたらす。 初期高雑音化段階は最終改良段階よりもかなり脆弱であることを示す。 本稿では,早期かつスムーズな復調性を利用したトレーニングサンプルであるASSERTを提案する。
  論文  参考訳（メタデータ） (2026-09-01T09:13:10Z)
• Noise-Aware Shrinkage for Differentially Private Zeroth-Order Fine-Tuning of Large Language Models [16.65410076641234]
  信号品質の予測値に応じて,民生推定値を適応的に減衰する雑音対応縮小手法を提案する。 純粋な後処理として、SAGEは追加のプライバシ予算もモデルクエリも必要とせず、一定の追加状態しか導入しない。
  論文  参考訳（メタデータ） (2026-08-04T07:52:23Z)
• From Atoms to Entropy: Optimal Noise Allocation for Diffusion Training in the Convex Regime [52.459513910242485]
  拡散訓練における最適な雑音レベルアロケーションを研究するための一般統計フレームワークを開発する。 最適化されたトレーニングスケジュールは、有限個のノイズレベルに集中した原子最小値を持つことを示す。 次に,大規模実験におけるエントロピック・スケジュールの評価を行った。
  論文  参考訳（メタデータ） (2026-07-10T20:59:06Z)
• Clipping Bottleneck: Stabilizing RLVR via Stochastic Recovery of Near-Boundary Signals [83.0127582612634]
  Near-boundary Rescue (NSR) は最小限のプラグ・アンド・プレイの修正であり、失った信号を回復するために、アウト・オブ・バウンドトークンを保持する。 NSRはトレーニングの安定性を大幅に改善し、DAPOやGSPOといった強力なベースライン上で一貫したゲインを提供する。
  論文  参考訳（メタデータ） (2026-05-21T16:45:31Z)
• Wav2Arrest 2.0: Long-Horizon Cardiac Arrest Prediction with Time-to-Event Modeling, Identity-Invariance, and Pseudo-Lab Alignment [5.706374608871095]
  高周波生理学的波形モダリティは、患者の状態に対する深いリアルタイムな洞察を提供する。 近年、心臓発作を含む重要な事象を予測するための生理学的基礎モデルが示されている。 最小限の補助情報を用いてPSGのみのCAシステムを改善するための3つの改良点を提案する。
  論文  参考訳（メタデータ） (2025-09-25T23:46:39Z)
• Distributed Stochastic Gradient Descent with Staleness: A Stochastic Delay Differential Equation Based Framework [56.82432591933544]
  分散勾配降下(SGD)は、計算リソースのスケーリング、トレーニング時間の短縮、マシンラーニングにおけるユーザのプライバシ保護の支援などにより、近年注目されている。 本稿では,遅延微分方程式(SDDE)と勾配到着の近似に基づく分散SGDの実行時間と安定化について述べる。 活性化作業員の増加は, 安定度による分散SGDを必ずしも加速させるものではないことが興味深い。
  論文  参考訳（メタデータ） (2024-06-17T02:56:55Z)
• Differentially Private SGD Without Clipping Bias: An Error-Feedback Approach [62.000948039914135]
  Differentially Private Gradient Descent with Gradient Clipping (DPSGD-GC) を使用して、差分プライバシ(DP)がモデルパフォーマンス劣化の犠牲となることを保証する。 DPSGD-GCに代わる新しいエラーフィードバック(EF)DPアルゴリズムを提案する。 提案アルゴリズムに対するアルゴリズム固有のDP解析を確立し,R'enyi DPに基づくプライバシ保証を提供する。
  論文  参考訳（メタデータ） (2023-11-24T17:56:44Z)
• Improving Diffusion Models for ECG Imputation with an Augmented Template Prior [43.6099225257178]
  ノイズと品質の悪い録音は、モバイルヘルスシステムを使って収集された信号にとって大きな問題である。 近年の研究では、確率的時系列モデルによるECGの欠落値の計算が検討されている。 本稿では,様々な健康状態の事前情報として,テンプレート誘導型拡散確率モデル(DDPM)PulseDiffを提案する。
  論文  参考訳（メタデータ） (2023-10-24T11:34:15Z)
• Early Warning Prediction with Automatic Labeling in Epilepsy Patients [4.6700203020828885]
  本稿では,初期文字信号の予測を改善するメタ学習フレームワークを提案する。 提案された双方向最適化フレームワークは、初期段階におけるノイズの多いデータを自動的にラベル付けするのに役立つ。
  論文  参考訳（メタデータ） (2023-10-09T18:12:46Z)
• Extrapolation for Large-batch Training in Deep Learning [72.61259487233214]
  我々は、バリエーションのホストが、我々が提案する統一されたフレームワークでカバー可能であることを示す。 本稿では,この手法の収束性を証明し,ResNet,LSTM,Transformer上での経験的性能を厳格に評価する。
  論文  参考訳（メタデータ） (2020-06-10T08:22:41Z)

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。