論文の概要: ORBIT: Autoregressive Time Series Generation via Next Frequency-Band Prediction

• arxiv url: http://arxiv.org/abs/2610.27000v1
• Date: Mon, 19 Oct 2026 09:16:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-21 21:58:47.417925
• Title: ORBIT: Autoregressive Time Series Generation via Next Frequency-Band Prediction
• Title（参考訳）: ORBIT:次の周波数帯予測による自己回帰時系列生成
• Abstract要約: 我々は時系列のための統合された深層生成フレームワークであるORBITを提案する。 我々は、周波数階層型VQ-VAE(FH-VQ-VAE)と周波数帯域自動回帰変換器(FBAR)の2つの重要なコンポーネントを開発する。
• 参考スコア（独自算出の注目度）: 16.263880162620108
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Deep generative models provide an effective modern solution to alleviating the problem of data scarcity by synthesizing realistic time series. However, despite the considerable progress achieved by existing deep time series generators, two key challenges remain: (1) learning hierarchical representations for heterogeneous temporal patterns; and (2) coordinating the generation process of heterogeneous temporal dynamics. To address these key bottlenecks, in this work, we propose ORBIT, a unified deep generative framework for time series. Specifically, we develop two key components: the Frequency-Hierarchical VQ-VAE (FH-VQ-VAE) and the Frequency-Band Autoregressive Transformer (FBAR). The former learns hierarchical representations by decomposing latent temporal representations into different frequency bands and applying residual quantization with increasing token budgets. The latter establishes a novel low-to-high frequency autoregressive direction, yielding a time series generation process that first constructs global temporal structures and then incrementally incorporates fine-grained temporal details. These compact designs not only disentangle heterogeneous temporal patterns for more effective representation learning but also mitigate potential interference among different temporal dynamics during generation. Extensive experiments on multiple challenging real-world benchmarks demonstrate that ORBIT achieves state-of-the-art overall performance while exhibiting superior inference efficiency compared with advanced baselines.
• Abstract（参考訳）: 深層生成モデルは、現実的な時系列を合成することによってデータ不足の問題を緩和する効果的な現代的な解決策を提供する。 しかし,既存の深部時系列生成装置の進歩にもかかわらず,(1)異種時相パターンの階層的表現の学習,(2)異種時相ダイナミクスの生成過程のコーディネートという2つの大きな課題が残っている。 これらの重要なボトルネックに対処するため、本研究では、時系列のための統合された深層生成フレームワークであるORBITを提案する。 具体的には、周波数階層型VQ-VAE(FH-VQ-VAE)と周波数帯域自動回帰変換器(FBAR)の2つの重要なコンポーネントを開発する。 前者は、遅延時間表現を異なる周波数帯域に分解し、トークン予算の増加とともに残留量子化を適用することで階層表現を学ぶ。 後者は、新しい低周波自己回帰方向を確立し、まずグローバルな時間構造を構築し、次に微粒な時間的詳細を漸進的に組み込む時系列生成プロセスを生成する。 これらのコンパクトな設計は、より効果的な表現学習のために異種時間パターンを分離するだけでなく、生成中の異なる時間的ダイナミクス間の潜在的な干渉を軽減する。 複数の挑戦的な実世界のベンチマークに関する大規模な実験は、ORBITが最先端のベースラインよりも優れた推論効率を示しながら、最先端の全体的な性能を達成することを示した。

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)
• Frequency-Aware Semantic Fusion with Gated Injection for AI-generated Image Detection [18.582605108525506]
  Vision Foundation Modelsは、リッチなセマンティック表現と周波数ベースのメソッドがアーティファクトキューをキャプチャする機能を提供する。 これらのモダリティを組み合わせた既存のアプローチは、依然として限定的な一般化に悩まされている。 本稿では、一般化を改善するために、周波数対応Gated Injection Network (FGINet)を提案する。
  論文  参考訳（メタデータ） (2026-04-30T13:54:50Z)
• TimeOmni-VL: Unified Models for Time Series Understanding and Generation [66.55423802406078]
  Time Omni-VLは、時系列の理解と生成を統合するビジョン中心のフレームワークである。 Time Omni-VLは、高忠実度生成のための明示的な制御信号として時系列理解を利用する最初の方法である。 実験により、この統一されたアプローチは意味的理解と数値的精度の両方を著しく改善することを確認した。
  論文  参考訳（メタデータ） (2026-02-19T07:50:11Z)
• 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)
• Dualformer: Time-Frequency Dual Domain Learning for Long-term Time Series Forecasting [5.4806374384787695]
  トランスフォーマーベースのモデルは、その効果を制限する固有の低パスフィルタリング効果に悩まされる。 本稿では、レイヤの観点から周波数モデリングを再考する、原則化されたデュアルドメインフレームワークであるDualformerを提案する。 8つの広く使用されているベンチマークで実施されたテストは、Dualformerの堅牢性と優れたパフォーマンスを示している。
  論文  参考訳（メタデータ） (2026-01-22T05:51:56Z)
• 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)
• FusAD: Time-Frequency Fusion with Adaptive Denoising for General Time Series Analysis [92.23551599659186]
  時系列分析は、金融、医療、産業、気象学などの分野において重要な役割を果たす。 FusADは多様な時系列タスク用に設計された統合分析フレームワークである。
  論文  参考訳（メタデータ） (2025-12-16T04:34:27Z)
• 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)
• General Time-series Model for Universal Knowledge Representation of Multivariate Time-Series data [61.163542597764796]
  周波数領域で異なる時間粒度(または対応する周波数分解能)の時系列が異なる結合分布を示すことを示す。 時間領域と周波数領域の両方からタイムアウェア表現を学習するために,新しいFourierナレッジアテンション機構を提案する。 自己回帰的空白埋め込み事前学習フレームワークを時系列解析に初めて組み込み、生成タスクに依存しない事前学習戦略を実現する。
  論文  参考訳（メタデータ） (2025-02-05T15:20:04Z)
• FormerTime: Hierarchical Multi-Scale Representations for Multivariate Time Series Classification [53.55504611255664]
  formerTimeは、多変量時系列分類タスクの分類能力を改善する階層的表現モデルである。 1)時系列データから階層的なマルチスケール表現を学習し、(2)トランスフォーマーと畳み込みネットワークの強さを継承し、(3)自己維持メカニズムによって引き起こされる効率の課題に取り組む。
  論文  参考訳（メタデータ） (2023-02-20T07:46:14Z)

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。