論文の概要: Cross-View Time-Frequency Diffusion for Extreme-Aware Time-Series Generation

• arxiv url: http://arxiv.org/abs/2610.17407v2
• Date: Wed, 14 Oct 2026 17:05:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-15 21:06:15.457392
• Title: Cross-View Time-Frequency Diffusion for Extreme-Aware Time-Series Generation
• Title（参考訳）: 極低周波時間系列生成のためのクロスビュー時間周波数拡散
• Abstract要約: 本稿では,時間と周波数の相違を極端に認識可能な時系列生成に利用するためのフレームワークを提案する。 我々の重要な経験的発見は、極端に敏感なクロスビュー非対称性である。 CrossTFは、最強のベースラインと比較して、極端な忠実度を26.1%改善し、全体的なパフォーマンスを7.4%向上させる。
• 参考スコア（独自算出の注目度）: 3.5403649815276808
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Generating realistic time-series requires faithfully reproducing rare but high-impact extreme events. Existing approaches often rely on specialized representations or extreme-focused training objectives, which may restrict the diversity of captured extremes or compromise overall distributional fidelity. We propose Cross-View Time-Frequency Diffusion (CrossTF), a framework that exploits discrepancies between time- and frequency-view denoisers for extreme-aware time-series generation. Our key empirical finding is extreme-sensitive cross-view asymmetry: moving along the direction connecting the two views' clean-sample estimates substantially changes extreme fidelity while having limited effects on overall generation quality. We further identify a late-stage cross-view window in which this discrepancy stabilizes and cross-view adjustments have a particularly strong effect on extreme fidelity. These findings motivate a staged optimization strategy in CrossTF: after training and freezing both denoisers, it only needs to learn step-specific fusion parameters within this window using an Extreme Value Theory-based objective under an energy-distance constraint. This formulation supports interpolation between and extrapolation beyond the view-specific estimates while limiting degradation in overall generation quality. Extensive experiments on seven real-world datasets against 11 baselines show that CrossTF improves extreme fidelity by 26.1% and overall performance by 7.4% relative to the strongest baselines. These results highlight cross-view discrepancy as an effective basis for low-dimensional optimization in extreme-aware time-series generation.
• Abstract（参考訳）: 現実的な時系列を生成するには、稀だが高影響の極端な出来事を忠実に再現する必要がある。 既存のアプローチは、しばしば特殊表現や極端に焦点を絞った訓練の目的に依存しており、捕獲された極端の多様性を制限したり、全体分布の忠実さを損なうことがある。 CrossTF(クロスビュー時間周波数拡散)は,時間と周波数の相違を極端に認識可能な時系列生成に活用するフレームワークである。 両ビューのクリーンサンプル推定値を接続する方向に沿って移動すると、全体の生成品質に限られた影響を与えながら、極端な忠実度が著しく変化する。 さらに、この相違が安定し、また、相互参照調整が極端忠実性に特に強い影響を与えるような、後期のクロスビューウィンドウを同定する。 これらの知見はCrossTFにおける段階的最適化戦略を動機付けている: 両方のデノイザを訓練し凍結した後、エネルギー距離制約の下で極値理論に基づく目的を用いて、このウィンドウ内でステップ固有の融合パラメータを学習するのみである。 この定式化は、全体生成品質の劣化を抑えながら、ビュー固有の推定以上の補間と補間をサポートする。 11のベースラインに対する7つの実世界のデータセットの大規模な実験は、CrossTFが極端忠実度を26.1%改善し、全体的なパフォーマンスが最強のベースラインと比較して7.4%向上したことを示している。 これらの結果は、極端に認識された時系列生成における低次元最適化の有効な基盤として、クロスビューの相違を強調している。

関連論文リスト

• Neuralized Multi-Wavelet Decomposition for Time Series Classification and Forecasting [16.821758587177065]
  時系列分析は金融、医療、気象学などの分野において基本的なものである。 既存のアプローチは通常、周波数領域の分解と時間領域のパターンの分離に重点を置いている。 時間パターンと周波数成分の結合抽出のためのマルチウェーブレット分解をニューラルネットワーク化する,新しいエンドツーエンドディープラーニングフレームワークであるm-WCNを提案する。
  論文  参考訳（メタデータ） (2026-09-24T09:51:47Z)
• FATE: Pillar Encoding and Frequency-Aware Training for Event-Based Object Detection [0.0]
  イベントカメラは、高速かつ高ダイナミックレンジのシナリオに固有の利点を提供する。 現在のアプローチでは、蓄積ウィンドウを固定時間サブビンに分割する。 本稿では,新しい空間的枠組みを基盤とした統合フレームワークであるFATEを提案する。
  論文  参考訳（メタデータ） (2026-06-15T22:32:09Z)
• Where to Refine, When to Stop: Rethinking Redundancy via Latent Discrepancy for Efficient Visual Autoregressive Generation [50.139984798361375]
  遅延不一致による冗長性を除去する学習自由フレームワークを提案する。 LD-Pruningは、Infinity-8Bの最大2.35倍のスピードアップを実現し、高い生成品質を維持しながら推論を大幅に削減する。
  論文  参考訳（メタデータ） (2026-05-29T19:34:39Z)
• TIE: Time Interval Encoding for Video Generation over Events [50.66585165263848]
  ディレクタースタイルのプロンプト、ロボットアクション予測、インタラクティブなビデオエージェントは、同時イベントに対する時間的根拠を要求する。 現代のビデオジェネレータは、ポイントワイドな位置エンコーディングを通して、タイムを離散的なポイントとして表現する。 Time Interval TIEは、プラグイン・アンド・プレイ・インターバル・アウェアの一般化である。
  論文  参考訳（メタデータ） (2026-05-11T13:23:14Z)
• AltTS: A Dual-Path Framework with Alternating Optimization for Multivariate Time Series Forecasting [27.971282358985604]
  本稿では,自己回帰と相互関係モデリングを明確に分離するデュアルパスフレームワークであるALTSを提案する。 ALTTSは従来手法よりも優れており, 長期予測の精度が向上している。
  論文  参考訳（メタデータ） (2026-02-12T03:45:00Z)
• Iterative Inference-time Scaling with Adaptive Frequency Steering for Image Super-Resolution [75.3690742776891]
  適応周波数ステアリング(IAFS)を用いた反復拡散推論時間スケーリングを提案する。 IAFSは、構造的偏差の反復的補正によって生成した画像を徐々に精細化することで、知覚品質と構造的忠実性のバランスをとるという課題に対処する。 実験の結果、IAFSは知覚と忠実性の対立を効果的に解決し、知覚の細部と構造的精度を一貫して改善し、既存の推論時間スケーリング手法よりも優れていた。
  論文  参考訳（メタデータ） (2025-12-29T15:09:20Z)
• 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)
• FUSE: Label-Free Image-Event Joint Monocular Depth Estimation via Frequency-Decoupled Alignment and Degradation-Robust Fusion [92.4205087439928]
  画像強調共同深度推定法は、頑健な知覚に相補的なモダリティを利用するが、一般化可能性の課題に直面している。 自己監督型転送(PST)と周波数デカップリング型フュージョンモジュール(FreDF)を提案する。 PSTは、画像基盤モデルとの遅延空間アライメントによるクロスモーダルな知識伝達を確立し、データ不足を効果的に軽減する。 FreDFは、低周波構造成分から高周波エッジ特性を明示的に分離し、モード比周波数ミスマッチを解消する。 この組み合わせのアプローチにより、FUSEはターゲットデータセットに対する軽量デコーダ適応のみを必要とするユニバーサルなイメージイベントを構築することができる。
  論文  参考訳（メタデータ） (2025-03-25T15:04:53Z)
• FAITH: Frequency-domain Attention In Two Horizons for Time Series Forecasting [13.253624747448935]
  時系列予測は、産業機器の保守、気象学、エネルギー消費、交通流、金融投資など、様々な分野で重要な役割を果たしている。 現在のディープラーニングベースの予測モデルは、予測結果と基礎的真実の間に大きな違いを示すことが多い。 本稿では、時系列をトレンドと季節成分に分解する2つのホライズンズにおける周波数領域注意モデルを提案する。
  論文  参考訳（メタデータ） (2024-05-22T02:37:02Z)
• Generative Time Series Forecasting with Diffusion, Denoise, and Disentanglement [51.55157852647306]
  時系列予測は多くのアプリケーションにおいて非常に重要な課題である。 実世界の時系列データが短時間に記録されることが一般的であり、これはディープモデルと限られたノイズのある時系列との間に大きなギャップをもたらす。 本稿では,生成モデルを用いた時系列予測問題に対処し,拡散,雑音,ゆがみを備えた双方向変分自動エンコーダを提案する。
  論文  参考訳（メタデータ） (2023-01-08T12:20:46Z)

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。