論文の概要: FracTS: Hierarchical and Autoregressive Time Series Generation

• arxiv url: http://arxiv.org/abs/2610.25523v1
• Date: Sun, 18 Oct 2026 20:35:23 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-10-20 22:28:20.506166
• Title: FracTS: Hierarchical and Autoregressive Time Series Generation
• Title（参考訳）: FracTS: 階層的で自己回帰的な時系列生成
• Abstract要約: FracTSは時系列生成のための階層的で粗い自己回帰モデルである。 FracTSは、画像用に開発されたフラクタル生成モデルにヒントを得て、2Dから1Dのシーケンスにパラダイムを適応させる。
• 参考スコア（独自算出の注目度）: 10.986347592943318
• License:
• Abstract: Time series are ubiquitous across different domains, and the growing use of synthetic data for privacy-preserving sharing, data augmentation, and stress testing makes time series generation increasingly important. Early generative approaches are predominantly autoregressive, which can suffer from low sample diversity, error accumulation, and difficulty modeling long-range dependencies. In this paper, we introduce FracTS, a hierarchical, coarse-to-fine autoregressive model for multivariate time series generation. Inspired by fractal generative modeling developed for images, FracTS adapts the paradigm from 2D to 1D sequences by learning a multi-scale representation that captures global trajectory structure at coarse scales and local dynamics at fine scales while following the autoregressive nature of time series. In contrast to unstructured images, time series are structured, allowing easy automated or designated temporal feature processing optimized for the model, and global (static) feature extraction describing the instances that generate the corresponding time series in the collection. We incorporate them in the generation process to further improve the generation quality. The design naturally handles multivariate dependencies and improves long-horizon temporal coherence without requiring fixed-length inputs. Experiments on five datasets (two conditional, three unconditional) conducted against seven baselines show that FracTS consistently outperforms baselines across marginal distribution and predictive ML utility, and correlation preservation in the unconditional setting. In particular, the predictive ML utility is averagely improved by 100.0% and 75.0-81.0% for unconditional and conditional time series datasets compared to the best baseline (relative error computed on dataset-averaged raw values). Code is available at: https://github.com/BetterdataLabs/fracts.
• Abstract（参考訳）: 時系列はさまざまな領域にまたがっており、プライバシ保護共有やデータ拡張、ストレステストなどにおける合成データの利用の増加は、時系列生成をますます重要にしている。 初期の生成的アプローチは主に自己回帰的であり、サンプルの多様性の低さ、エラーの蓄積、長距離依存関係のモデリングが困難である。 本稿では,多変量時系列生成のための階層的,粗大な自己回帰モデルであるFracTSを紹介する。 FracTSは、画像用に開発されたフラクタル生成モデルに触発され、時系列の自己回帰的な性質に従いながら、粗いスケールでグローバルな軌道構造と局所的なダイナミクスを捉えたマルチスケールの表現を学習することで、2Dから1Dのシーケンスにパラダイムを適応させる。 非構造化画像とは対照的に、時系列は構造化されており、モデルに最適化された自動的または指定された時間的特徴処理と、コレクション内の対応する時系列を生成するインスタンスを記述するグローバル(静的)特徴抽出が可能である。 生成プロセスにそれらを組み込んで、生成品質をさらに向上させます。 この設計は自然に多変量依存を処理し、固定長の入力を必要とせず、長期の時間的コヒーレンスを改善する。 7つのベースラインに対して5つのデータセット(条件付き2つ、非条件付き3つ)を実験したところ、FracTSは境界分布と予測MLユーティリティにわたって一貫してベースラインを上回り、無条件環境での相関保存を達成している。 特に、予測MLユーティリティは、最高のベースライン(データセット平均値に基づいて計算された相対誤差)と比較して、無条件および条件付き時系列データセットに対して平均100.0%と75.0-81.0%改善される。 コードは、https://github.com/BetterdataLabs/fracts.comで入手できる。

関連論文リスト

• Forecasting as Rendering: A 2D Gaussian Splatting Framework for Time Series Forecasting [79.37674445572462]
  時系列予測(TSF)は、周期内変動と周期間トレンドの複雑な絡み合いのため、依然として困難な問題である。 形状変化テンソルを静止画像として扱うと、トポロジカルミスマッチが発生する。 均一な固定サイズの表現に依存することは、モデリング能力を非効率に割り当てる。 TimeGSは、予測パラダイムをレグレッションから2D生成レンダリングに根本的にシフトする、新しいフレームワークである。
  論文  参考訳（メタデータ） (2026-02-10T14:13:36Z)
• TimeMar: Multi-Scale Autoregressive Modeling for Unconditional Time Series Generation [11.455232661227313]
  時系列のための構造不整合型マルチスケール生成フレームワークを提案する。 提案手法は,複数の時間分解能において,シーケンスを離散トークンに符号化する。 提案手法は,既存の手法よりも高品質な時系列を生成することを示す。
  論文  参考訳（メタデータ） (2026-01-16T11:00:05Z)
• 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)
• Time Series Generation Under Data Scarcity: A Unified Generative Modeling Approach [7.631288333466648]
  データ・スカース・セッティングにおける主要な生成モデルを評価するための大規模な研究を初めて行った。 本稿では,いくつかの例を用いて高忠実度時系列を合成できる拡散型統合生成フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-05-26T18:39:04Z)
• 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)
• TSLANet: Rethinking Transformers for Time Series Representation Learning [19.795353886621715]
  時系列データは、その固有の長短の依存関係によって特徴づけられる。 本稿では,時系列タスクの普遍的畳み込みモデルとして,新しい時系列軽量ネットワーク(TSLANet)を導入する。 我々の実験では、TSLANetは分類、予測、異常検出にまたがる様々なタスクにおいて最先端のモデルよりも優れていることを示した。
  論文  参考訳（メタデータ） (2024-04-12T13:41:29Z)
• Timer: Generative Pre-trained Transformers Are Large Time Series Models [83.03091523806668]
  本稿では,大規模時系列モデル(LTSM)の早期開発を目的とした。 事前トレーニング中に、最大10億のタイムポイントを持つ大規模なデータセットをキュレートします。 多様なアプリケーションのニーズを満たすため,予測,計算,時系列の異常検出を統一的な生成タスクに変換する。
  論文  参考訳（メタデータ） (2024-02-04T06:55:55Z)
• Continuous-time convolutions model of event sequences [46.3471121117337]
  イベントシーケンスは不均一でスパースであり、従来のモデルは不適当である。 我々は、時間とともに一様でない事象の発生を処理するために設計された効率的な畳み込みニューラルネットワークに基づくCOTICを提案する。 COTICは、次のイベント時間とタイプを予測する際に既存のモデルよりも優れており、最も近いライバルの3.714と比較して平均1.5のランクに達している。
  論文  参考訳（メタデータ） (2023-02-13T10:34:51Z)

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。