論文の概要: Image Synthesis as an Intermediate for Controllable Time Series Generation
- arxiv url: http://arxiv.org/abs/2610.05211v1
- Date: Sun, 04 Oct 2026 13:27:31 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-10 22:38:46.091316
- Title: Image Synthesis as an Intermediate for Controllable Time Series Generation
- Title（参考訳）: 制御可能な時系列生成のための中間体としての画像合成
- Abstract要約: 時系列プロットを視覚中間体として用いて高レベルの時間的意味論と数値列をブリッジするVisualBridgeを提案する。
MLLMはまず、プロットされた系列を構造化された意味表現に変換し、トレンド、季節性、ボラティリティといった時間的特性の明示的な制御を可能にする。
- 参考スコア（独自算出の注目度）: 17.54904927536037
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Semantic-driven time-series generation offers a promising way to improve downstream learning in few-shot forecasting, but directly generating numerical sequences from language often fails to preserve the intended temporal structure. We propose VisualBridge, which uses time-series plots as a visual intermediate to bridge high-level temporal semantics and numerical sequences. An MLLM first converts plotted series into structured semantic representations, enabling explicit control over temporal properties such as trend, seasonality, and volatility. We then learn a semantic editing policy with downstream forecasting rewards, allowing the generation process to favor temporal patterns that are beneficial for the target task. The resulting sequences are further modeled by a temporal VAE to produce consistent multivariate augmentations. Experiments on standard public forecasting benchmarks demonstrate that VisualBridge improves few-shot forecasting over conventional augmentation methods, with ablations validating the roles of visual semantic grounding, learned semantic control, and VAE-based generation.
- Abstract（参考訳）: 意味駆動型時系列生成は、数ショットの予測で下流学習を改善するための有望な方法を提供するが、言語から直接数値列を生成することは、意図した時間構造を維持するのに失敗することが多い。
時系列プロットを視覚中間体として用いて高レベルの時間的意味論と数値列をブリッジするVisualBridgeを提案する。
MLLMはまず、プロットされた系列を構造化された意味表現に変換し、トレンド、季節性、ボラティリティといった時間的特性の明示的な制御を可能にする。
次に、下流予測報酬を用いた意味的編集ポリシーを学習し、生成プロセスが目標タスクに有用な時間的パターンを優先できるようにする。
結果のシーケンスは、一貫した多変量拡張を生成するために、一時的VAEによってさらにモデル化される。
標準的な公開予測ベンチマークの実験では、VisualBridgeは、視覚的セマンティックグラウンド、学習されたセマンティックコントロール、VAEベースの生成といった役割を検証しながら、従来の拡張メソッドよりも数ショットの予測を改善することが示されている。
関連論文リスト
- Teaching Time Series to See and Speak: Forecasting with Aligned Visual and Textual Perspectives [22.10401153489018]
時系列の予測は伝統的に単調な数値入力に依存している。
生の時系列を構造化された視覚的・テキスト的視点に変換するマルチモーダルコントラスト学習フレームワークを提案する。
論文 参考訳（メタデータ） (2025-06-30T17:59:14Z) - Timer-XL: Long-Context Transformers for Unified Time Series Forecasting [67.83502953961505]
我々は時系列の統一予測のための因果変換器Timer-XLを提案する。
大規模な事前トレーニングに基づいて、Timer-XLは最先端のゼロショット性能を達成する。
論文 参考訳（メタデータ） (2024-10-07T07:27:39Z) - Blending Low and High-Level Semantics of Time Series for Better Masked Time Series Generation [0.8999666725996975]
NC-VQVAEと呼ばれる新しいフレームワークを導入し、時系列生成アプローチに自己教師付き学習を統合する。
NC-VQVAEは, 合成試料の品質を著しく向上させることを示した。
論文 参考訳（メタデータ） (2024-08-29T15:20:17Z) - Multi-Patch Prediction: Adapting LLMs for Time Series Representation
Learning [22.28251586213348]
aLLM4TSは、時系列表現学習にLarge Language Models(LLM)を適用する革新的なフレームワークである。
われわれのフレームワークの特筆すべき要素はパッチワイドデコーディング層である。
論文 参考訳（メタデータ） (2024-02-07T13:51:26Z) - TimeSiam: A Pre-Training Framework for Siamese Time-Series Modeling [67.02157180089573]
時系列事前トレーニングは、最近、ラベルのコストを削減し、下流の様々なタスクに利益をもたらす可能性があるとして、広く注目を集めている。
本稿では,シームズネットワークに基づく時系列の簡易かつ効果的な自己教師型事前学習フレームワークとしてTimeSiamを提案する。
論文 参考訳（メタデータ） (2024-02-04T13:10:51Z)
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。