論文の概要: UniFlow: Unified Multi-Scale Flow Matching for Time Series Generation

• arxiv url: http://arxiv.org/abs/2611.04825v1
• Date: Tue, 03 Nov 2026 12:53:17 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-11-04 17:24:13.492061
• Title: UniFlow: Unified Multi-Scale Flow Matching for Time Series Generation
• Title（参考訳）: UniFlow: 時系列生成のための統合マルチスケールフローマッチング
• Abstract要約: マルチスケール表現学習と効率的な非自己回帰生成を統合するフレームワークUniFlowを提案する。 我々は,学習した低ランクアンカーからの移動を初期化し,非自己回帰的に公的なアイデンティティを生成するカテゴリフローマッチングを開発する。 4つのベンチマークと短期設定、長期設定での実験では、生成の忠実度の改善、強力なクロススケール一貫性、相当な推論スピードアップが示されている。
• 参考スコア（独自算出の注目度）: 67.44210595241667
• License:
• Abstract: Real-world time series exhibit complex dynamics across multiple temporal resolutions, yet effectively incorporating multi-scale information into generative modeling remains challenging without increasing generative complexity. We propose UniFlow, a unified framework that integrates multi-scale representation learning with efficient non-autoregressive generation through a shared-semantic discrete interface. Specifically, a multi-scale tokenizer employs shared-index voting to consolidate complementary temporal information into a single public-ID sequence, while scale-specific codebooks preserve the information required for reconstruction. Building on this unified representation, we develop geometry-aware categorical flow matching, which initializes transport from learned low-rank anchors and generates public identities non-autoregressively. This design captures multi-scale temporal structure without requiring multiple generative token streams or sequential token decoding. Experiments across four benchmarks and both short- and long-term settings demonstrate improved generative fidelity, strong cross-scale consistency, and substantial inference speedups over representative autoregressive and diffusion-based baselines. Code is available at https://github.com/William-Liwei/uniflow
• Abstract（参考訳）: 実世界の時系列は、複数の時間分解能にまたがる複雑なダイナミクスを示すが、生成的モデリングにマルチスケール情報を効果的に組み込むことは、生成的複雑さを増大させることなく難しいままである。 共有セマンティック離散インタフェースを用いて,マルチスケール表現学習と効率的な非自己回帰生成を統合した統合フレームワークUniFlowを提案する。 具体的には、複数スケールのトークンライザが共有インデックス投票を使用して、補完的な時間情報を単一のパブリックIDシーケンスに統合し、スケール固有のコードブックは再構築に必要な情報を保存する。 この統一表現に基づいて、学習した低ランクアンカーからの輸送を初期化し、非自己回帰的に公衆のアイデンティティを生成する幾何学的分類フローマッチングを開発する。 この設計は、複数の生成トークンストリームやシーケンシャルトークン復号を必要とすることなく、マルチスケールの時間構造をキャプチャする。 4つのベンチマークと短期的および長期的な設定による実験は、生成的忠実性の改善、強力なクロススケール一貫性、および代表的自己回帰的および拡散ベースラインに対する実質的な推論スピードアップを示す。 コードはhttps://github.com/William-Liwei/uniflowで入手できる。

関連論文リスト

• Revisiting Identity and Spectra Dispersion in Media-Bridged Time Series Forecasting: Linking Multivariate Signals and Narrative Flows [18.83871788016558]
  既存の時系列予測モデルは、パラダイム固有の関係、融合、時間モジュールに依存している。 メディア汎用グラフ適応と自動時間学習に基づく統合マルチメディアID-Aware Network(MIDAPN)を提案する。
  論文  参考訳（メタデータ） (2026-10-08T13:20:49Z)
• Advancing Narrative Long Video Generation via Training-Free Identity-Aware Memory [79.01059178883817]
  IAMFlowはトレーニング不要のID対応メモリフレームワークで、永続的なエンティティのIDを明示的にモデル化し追跡する。 VLMは、レンダリングフレームから属性を非同期に検証し、洗練し、暗黙の類似性ベースのマッチングの代わりに明示的なエンティティ追跡を可能にする。 NarraStream-Benchは,6次元にまたがる324のマルチプロンプトスクリプトを備えた,ナラストリームビデオ生成のためのベンチマークである。
  論文  参考訳（メタデータ） (2026-05-18T17:54:34Z)
• 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)
• UniDiff: A Unified Diffusion Framework for Multimodal Time Series Forecasting [90.47915032778366]
  マルチモーダル時系列予測のための統合拡散フレームワークUniDiffを提案する。 コアには統一的で並列な融合モジュールがあり、単一のクロスアテンション機構がタイムスタンプからの構造化情報とテキストからのセマンティックコンテキストを統合する。 8つの領域にわたる実世界のベンチマークデータセットの実験は、提案したUniDiffモデルが最先端のパフォーマンスを達成することを示す。
  論文  参考訳（メタデータ） (2025-12-08T05:36:14Z)
• Less Is More: Generating Time Series with LLaMA-Style Autoregression in Simple Factorized Latent Spaces [29.349850914912846]
  離散化された量子化潜在空間上の自己回帰変換器と不整合分解を結合して時系列を生成する,シンプルで効果的なフレームワークであるFAR-TSを提案する。 LLaMAスタイルの自己回帰変換器はこれらのトークンシーケンスをモデル化し、任意の長さで高速かつ制御可能なシーケンスの生成を可能にする。
  論文  参考訳（メタデータ） (2025-11-07T04:15:38Z)
• Uniform Discrete Diffusion with Metric Path for Video Generation [103.86033350602908]
  連続空間ビデオ生成は急速に進歩し、離散的なアプローチはエラーの蓄積と長時間の矛盾により遅れている。 我々は、拡張性のあるビデオ生成のための連続的なアプローチでギャップを埋める強力なフレームワークであるUniform Generative ModelingとUniform pAth(URSA)を提案する。 URSAは既存の離散的手法を一貫して上回り、最先端の連続拡散法に匹敵する性能を達成する。
  論文  参考訳（メタデータ） (2025-10-28T17:59:57Z)
• ConvTimeNet: A Deep Hierarchical Fully Convolutional Model for Multivariate Time Series Analysis [7.979501926410114]
  ConvTimeNetは時系列解析のために設計された階層的な純粋な畳み込みモデルである。 データ駆動方式で時間依存の基本単位の局所パターンを適応的に知覚する。 大規模なカーネル機構を使用して、畳み込みブロックが深く積み重ねられるようにする。
  論文  参考訳（メタデータ） (2024-03-03T12:05:49Z)
• TimeMAE: Self-Supervised Representations of Time Series with Decoupled Masked Autoencoders [55.00904795497786]
  トランスフォーマネットワークに基づく転送可能な時系列表現を学習するための,新しい自己教師型パラダイムであるTimeMAEを提案する。 TimeMAEは双方向符号化方式を用いて時系列の豊富な文脈表現を学習する。 新たに挿入されたマスク埋め込みによって生じる不一致を解消するため、分離されたオートエンコーダアーキテクチャを設計する。
  論文  参考訳（メタデータ） (2023-03-01T08:33:16Z)
• 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。