論文の概要: MarkovTS: Pretrained State-Transition Representations for Zero-Shot Time Series Generation

• arxiv url: http://arxiv.org/abs/2611.00941v1
• Date: Sat, 31 Oct 2026 13:43:00 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-11-03 19:30:56.781941
• Title: MarkovTS: Pretrained State-Transition Representations for Zero-Shot Time Series Generation
• Title（参考訳）: MarkovTS: ゼロショット時系列生成のための事前訓練された状態遷移表現
• Abstract要約: 時系列生成は、シミュレーション、モデル開発、データ拡張をサポートし、実際の観測が不十分またはコストがかかる場合に、ターゲット領域統計と時間的依存関係を保存するシーケンスを生成する。 我々は、基準条件付きゼロショット時系列生成について検討する:対象ドメインは事前訓練中に見えず、生成は単一のターゲットドメイン参照シーケンスを使用し、モデルパラメータは更新されない。 マルコフTSは、局所的な形態と順序付けられた遷移を通じて、複数の時間スケールで配列の進化を特徴づける。
• 参考スコア（独自算出の注目度）: 61.92755454168693
• License:
• Abstract: Across heterogeneous real-world domains, time-series generation supports simulation, model development, and data augmentation by generating sequences that preserve target-domain statistics and temporal dependencies when real observations are scarce or costly. However, existing methods predominantly address in-domain generation, limiting their reuse in unseen domains. We study reference-conditioned zero-shot time series generation: target domains are unseen during pretraining, generation uses a single target-domain reference sequence, and no model parameters are updated. MarkovTS characterizes sequence evolution through local morphologies and their ordered transitions at multiple temporal scales. Its pretrained encoder quantizes normalized time-series patches into multiscale morphological states with a state codebook, while a transition codebook encodes contextual transitions between adjacent intervals. These transferable state-transition representations condition a pretrained flow-matching model. At generation, the frozen model combines a reference-derived condition with independent Gaussian noise to produce stochastic samples that retain the reference's temporal organization. Across 12 unseen target datasets, MarkovTS outperforms strong baselines in most distributional comparisons and generates diverse, reference-consistent sequences. As downstream augmentation, its samples yield overall gains across forecasting, classification, and anomaly detection benchmarks and diverse model families. Our code is available at https://github.com/blisky-li/MarkovTS.
• Abstract（参考訳）: 不均一な実世界のドメイン全体にわたって、時系列生成はシミュレーション、モデル開発、データ拡張をサポートし、実際の観測が不足またはコストがかかる場合に、ターゲット領域の統計と時間的依存関係を保存するシーケンスを生成する。 しかし、既存のメソッドは主にドメイン内の生成に対処し、目に見えないドメインでの再利用を制限する。 我々は、基準条件付きゼロショット時系列生成について検討する:対象ドメインは事前訓練中に見えず、生成は単一のターゲットドメイン参照シーケンスを使用し、モデルパラメータは更新されない。 マルコフTSは、局所的な形態と順序付けられた遷移を通じて、複数の時間スケールで配列の進化を特徴づける。 その事前訓練されたエンコーダは、標準化された時系列パッチを状態コードブックでマルチスケールな形態素状態に量子化し、トランジションコードブックは隣接する間隔間のコンテキスト遷移をエンコードする。 これらの伝達可能な状態遷移表現は、事前訓練されたフローマッチングモデルを記述する。 フリーズモデルは、基準由来の条件と独立したガウスノイズを組み合わせて、基準の時間的構造を保持する確率的なサンプルを生成する。 12の未確認ターゲットデータセットに対して、MarkovTSは、ほとんどの分散比較において強力なベースラインを上回り、多様な参照一貫性シーケンスを生成する。 下流の増大に伴い、そのサンプルは予測、分類、異常検出ベンチマークおよび多様なモデルファミリの全体的利益を得る。 私たちのコードはhttps://github.com/blisky-li/MarkovTS.comで公開されています。

関連論文リスト

• FracTS: Hierarchical and Autoregressive Time Series Generation [10.986347592943318]
  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。
  論文  参考訳（メタデータ） (2026-10-18T20:35:23Z)
• Timer-M1: A Multivariate Time Series Foundation Model via Learning Primitives [49.5727564886458]
  我々は、ゼロショット予測のためのプリミティブを用いて学習する、事前訓練された多変量時系列基礎モデルであるTimer-M1を紹介する。 3つの大規模な予測ベンチマークの中で、Timer-M1はFEVとTIMEの両方で第1位、GIFT-Evalでは第2位である。
  論文  参考訳（メタデータ） (2026-10-08T11:28:56Z)
• ChronoFlow: Hierarchical Flow Matching for Irregular Time Series Generation [57.19197425091645]
  ChronoFlowは統計的な粒度によって構成された階層型フローマッチングフレームワークである。 観測回数と特徴周波数を生成し、観測時間と特徴共観測パターンを共同生成し、最終的に実現されたパターンに条件付き値を生成する。 これは、既存のベースラインよりも生成の忠実度が大幅に向上する一方、因子化研究は提案された階層をサポートする。
  論文  参考訳（メタデータ） (2026-09-27T06:31:13Z)
• 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)
• 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)
• 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)
• Motion Code: Robust Time Series Classification and Forecasting via Sparse Variational Multi-Stochastic Processes Learning [3.2857981869020327]
  本稿では,各時系列を連続的なプロセスの実現とみなす新しいフレームワークを提案する。 この数学的アプローチは、タイムスタンプ間の依存関係をキャプチャし、ノイズ内の隠れた時間変化信号を検出する。 現実のパーキンソン病センサートラッキングを含むノイズの多いデータセットの実験は、確立されたベンチマークに対するモーションコードの強力なパフォーマンスを実証している。
  論文  参考訳（メタデータ） (2024-02-21T19:10:08Z)
• 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)
• 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)
• Conditional Hybrid GAN for Sequence Generation [56.67961004064029]
  本稿では,この問題を解決するための条件付きハイブリッドGAN(C-Hybrid-GAN)を提案する。 我々はGumbel-Softmax法を利用して離散値列の分布を近似する。 提案したC-Hybrid-GANは、文脈条件付き離散値シーケンス生成において既存の手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2020-09-18T03:52:55Z)

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。