論文の概要: Evaluating Sequence Assembly Strategies for Differentially Private Synthetic Time-Series Forecasting
- arxiv url: http://arxiv.org/abs/2610.10222v1
- Date: Wed, 07 Oct 2026 15:16:07 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-08 21:58:22.98849
- Title: Evaluating Sequence Assembly Strategies for Differentially Private Synthetic Time-Series Forecasting
- Title（参考訳）: 個人別合成時系列予測のための系列組立手法の評価
- Abstract要約: 生成後に人工窓がどのように組み立てられるかは、予測者に提示される効果的な合成データを変更することができる。
重なり合い率とウィンドウ重み付け方式を体系的に変化させることにより、このポストジェネレーション・シーケンス・アセンブリ・プロセスについて検討する。
- 参考スコア（独自算出の注目度）: 18.225223569885497
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Differentially private time-series generators commonly produce fixed-length synthetic windows, whereas downstream forecasting models often require long continuous training sequences. How these windows are assembled after generation can therefore alter the effective synthetic data presented to a forecaster, even when the trained generator remains unchanged. We study this post-generation sequence assembly process by systematically varying overlap rates and window-weighting schemes and evaluating the resulting sequences in terms of boundary continuity, statistical and temporal fidelity, and Train-on-Synthetic-Test-on-Real (TSTR) forecasting utility. Across four types of public datasets (ETTh1, ETTm1, Weather, and Appliances) and five forecasting models, the results reveal a clear forecaster-dependent assembly principle: downstream TSTR utility is jointly shaped by the forecaster, overlap rate, and window-weighting scheme, leading to distinct assembly preferences across forecasting models. Increased overlap generally improves boundary continuity, but improvements in continuity or individual fidelity diagnostics do not consistently reduce forecasting error, indicating that these diagnostics alone are insufficient for selecting assembly configurations. Complete five-forecaster assembly grids, together with matched Train-on-Real-Test-on-Real (TRTR) references, further characterize these regularities and quantify assembly-dependent utility relative to real-data training. We then validate the identified principles through additional analyses of robustness and generator variability.
- Abstract（参考訳）: 異なるプライベートな時系列生成装置は一般に固定長合成ウィンドウを生成するが、下流の予測モデルは長い連続的なトレーニングシーケンスを必要とすることが多い。
したがって、これらのウィンドウが生成後にどのように組み立てられるかは、訓練された発電機が変化していない場合でも、予測器に提示される効果的な合成データを変更することができる。
重なり合い率とウィンドウ重み付け方式を体系的に変更し, 境界連続性, 統計的および時間的忠実度, およびTSTR予測ユーティリティを用いて, 結果の系列を評価することによって, ポストジェネレーション・シーケンス・アセンブリ・プロセスについて検討した。
4種類のパブリックデータセット(ETTh1,ETTm1,Weather,Appliances)と5種類の予測モデルに対して,この結果から,予測モデル間で異なるアセンブリ嗜好が生じる。
オーバーラップの増加は一般的に境界の連続性を改善するが、連続性や個々の忠実度診断の改善は予測誤差を一貫して減少させておらず、これらの診断だけでアセンブリ構成を選択するには不十分であることを示している。
整合したTrain-on-Real-Test-on-Real(TRTR)参照とともに、完全な5種類のアセンブリグリッドが、これらの規則性をさらに特徴付け、実際のデータトレーニングに対するアセンブリ依存のユーティリティを定量化する。
次に、ロバスト性およびジェネレータの変動性に関するさらなる分析を通じて、同定された原則を検証する。
関連論文リスト
- One Step Closer to Ground Truth: A Multi-Scale Residual-Aware Representation Learning Pipeline for Predicting Time Series Data [6.704099492625706]
本稿では,予測と残差学習を表現学習の異なる段階に明確に分離する2段階のモデル非依存フレームワークを提案する。
このパイプラインを仮説空間拡張として定式化することにより、我々のフレームワークは単一ステージアーキテクチャに固有の近似制限に対処する。
論文 参考訳（メタデータ） (2026-06-09T10:31:54Z) - REGEN: Reference-Guided Synthetic Multivariate Time Series Generation for Forecasting [7.771378647684901]
本稿では,観測された配列を合成のための構造的足場として扱う参照誘導型生成パイプラインを提案する。
ReGeNの生成したデータは、最小限の予測劣化を伴う実兄弟データに一貫した代用であることを示す。
これは、低データのレシエーションにおいて、参照データが構造的に悪用される方法が、利用可能なデータ量と同じくらい重要であることを示唆している。
論文 参考訳（メタデータ） (2026-06-03T16:19:55Z) - Factorize to Generalize: Retrieval-Guided Invariant-Dynamic Decomposition for Time Series Forecasting [64.2640656619583]
時系列基礎モデル (TSFM) は, 大規模事前学習と検索強化予測により, ゼロショット予測性能が向上した。
本稿では時系列予測のための検索誘導不変動的分解フレームワークを提案する。
論文 参考訳（メタデータ） (2026-05-24T07:31:55Z) - Preserving Temporal Dynamics in Time Series Generation [0.2099922236065961]
時系列データの増大は回帰指向予測タスクにおいて重要な役割を果たす。
既存のアプローチは主に、限界データ分布のマッチングに重点を置いている。
モデルに依存しないマルコフ・チェイン・モンテカルロフレームワークを提案し、分布シフトを緩和し、時間的ダイナミクスを保存する。
論文 参考訳（メタデータ） (2026-04-29T20:32:45Z) - TimeAPN: Adaptive Amplitude-Phase Non-Stationarity Normalization for Time Series Forecasting [67.91113180885601]
TimeAPNは時間領域と周波数領域の両方から非定常因子を明示的にモデル化し、予測する。
TimeAPNは、複数の予測水平線にわたる長期的な予測精度を一貫して改善する。
これは最先端の可逆正規化法より優れている。
論文 参考訳（メタデータ） (2026-03-18T07:21:24Z) - It's TIME: Towards the Next Generation of Time Series Forecasting Benchmarks [87.7937890373758]
時系列基礎モデル(TSFM)は,特定のデータセットモデルから一般化可能なタスク評価に至るまで,予測環境に革命をもたらしている。
我々は、50の新しいデータセットと98の予測タスクからなる次世代タスク中心のベンチマークであるTIMEを紹介する。
静的なメタラベルに基づく従来のデータセットレベルの評価を超える新しいパターンレベルの評価視点を提案する。
論文 参考訳（メタデータ） (2026-02-12T16:31:01Z) - A Unified Frequency Domain Decomposition Framework for Interpretable and Robust Time Series Forecasting [81.73338008264115]
時系列予測の現在のアプローチは、時間領域であれ周波数領域であれ、主に線形層やトランスフォーマーに基づいたディープラーニングモデルを使用する。
本稿では,多種多様な時系列を数学的に抽象化する統合周波数領域分解フレームワークFIREを提案する。
火は長期予測ベンチマークで最先端のモデルを一貫して上回る。
論文 参考訳（メタデータ） (2025-10-11T09:59:25Z) - TIMED: Adversarial and Autoregressive Refinement of Diffusion-Based Time Series Generation [0.31498833540989407]
TIMEDは、フォワード-リバース拡散プロセスを通じてグローバル構造をキャプチャする統合生成フレームワークである。
特徴空間における実および合成分布をさらに整合させるため、TIMEDは最大平均離散性(MMD)損失を取り入れている。
我々は、TIMEDが最先端の生成モデルよりも現実的で時間的に一貫性のあるシーケンスを生成することを示す。
論文 参考訳（メタデータ） (2025-09-23T23:05:40Z) - Adaptive Conformal Prediction Intervals Over Trajectory Ensembles [50.31074512684758]
将来の軌道は、自律運転、ハリケーン予測、疫病モデルといった領域で重要な役割を果たしている。
本稿では,サンプル軌道を理論的カバレッジ保証付き校正された予測区間に変換する共形予測に基づく統一的なフレームワークを提案する。
論文 参考訳（メタデータ） (2025-08-18T21:14:07Z) - FreDF: Learning to Forecast in the Frequency Domain [54.2091536822376]
時系列モデリングは、歴史的データと将来のシーケンスの両方における自己相関による固有の課題を提示する。
本稿では,周波数領域の予測学習によりラベル自己相関を緩和する周波数強調直接予測(FreDF)を提案する。
論文 参考訳（メタデータ） (2024-02-04T08:23:41Z)
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。