論文の概要: MarathonTS: a benchmark of long synthetic time series from window assembly and long-series generators
- arxiv url: http://arxiv.org/abs/2611.18190v1
- Date: Fri, 13 Nov 2026 13:58:32 GMT
- ステータス: 情報取得中
- システム内更新日: 2026-11-16 19:27:23.019761
- Title: MarathonTS: a benchmark of long synthetic time series from window assembly and long-series generators
- Title(参考訳): MarathonTS:ウィンドウアセンブリとロングシリーズジェネレータからの長い合成時系列のベンチマーク
- Abstract要約: この研究はMarathonTSを、我々の知る限り、両方の家族を1つのプロトコルで比較した最初のオープンベンチマークとして提示する。
それぞれの方法は、9つのオープン時間データセットに10個のシードで同じ長さの連続を生成する。
このシリーズは実データに対する忠実さ(12グループで83のメトリクス)と実データに対する実データ(列車、バリデーション、アウト・オブ・タイムスプリット)、その実用性(実データでのみトレーニングされテストされるモデル、TRTRに対するTSTR、14の分類と回帰タスク)、トレーニングデータの記憶と計算コストによって評価される。
- 参考スコア(独自算出の注目度): 0.0
- License:
- Abstract: Many applications of synthetic time series require a series that is much longer than the windows on which a generative model is trained. Such a series can be assembled from a pool of short generated windows, which requires deciding which windows are taken, in what order, and how their seams are processed, or it can be produced directly by a long-series generator. This study presents MarathonTS, to our knowledge the first open benchmark that compares both families under one protocol. Every method produces a series of the same length on 9 open hourly datasets with 10 seeds. The series is evaluated by its fidelity to the real data (83 metrics in 12 groups, against three real references: train, validation and an out-of-time split), by its utility (models are trained on the synthetic series only and tested on real data, TSTR against TRTR, in 14 classification and regression tasks), by its memorisation of the training data and by its computational cost. The statistical analysis is carried out as a separate stage that reads the published tables and gives the rankings of every method in every slice, the answers to the research questions with tests and uncertainty, and the results of a pre-specified confirmatory family. In the main run, the methods differ in both confirmatory cells; the choice of windows matters more than the processing of their seams, which does not improve the series, and no method trains the downstream models as well as the real series. The top tier of the leaderboard is reproduced on other hardware, whereas the exact places within it are not. For the reproducibility of the study, the code, the data hashes and all results are publicly available (links below).
- Abstract(参考訳): 合成時系列の多くの応用は、生成モデルが訓練されたウィンドウよりもはるかに長い系列を必要とする。
このようなシリーズは、どのウィンドウが取られるか、どの順序で、そのシームがどのように処理されるか、あるいは、長いシリーズのジェネレータによって直接生成されるかを決定する、短い生成ウィンドウのプールから組み立てることができる。
この研究はMarathonTSを、我々の知る限り、両方の家族を1つのプロトコルで比較した最初のオープンベンチマークとして提示する。
それぞれの方法は、9つのオープン時間データセットに10個のシードで同じ長さの連続を生成する。
このシリーズは実データに対する忠実さ(12グループで83のメトリクス)と実データに対する実データ(列車、バリデーション、アウト・オブ・タイムスプリット)、その実用性(実データでのみトレーニングされテストされるモデル、TRTRに対するTSTR、14の分類と回帰タスク)、トレーニングデータの記憶と計算コストによって評価される。
統計分析は、発行された表を読み、各スライスにおけるすべてのメソッドのランク付け、テストと不確実性に関する研究質問への回答、および予め特定された確認家族の結果を提供する別段階として実施される。
メインランでは、ウィンドウの選択はシームの処理よりも重要であり、シリーズの改善は行わず、下流モデルやリアルシリーズを訓練する手法も存在しない。
リーダーボードの上位層は他のハードウェアで再現されるが、その中の正確な場所はそうではない。
研究の再現性については、コード、データのハッシュ、そしてすべての結果が公開されています(下記のリンク)。
関連論文リスト
- STEB: In Search of the Best Evaluation Approach for Synthetic Time Series [2.5216923314390733]
合成時系列評価ベンチマーク(STEB)を提案する。
STEBは信頼性とスコアの整合性を測定するための指標を計算する。
実行時間、テストエラーを追跡し、シーケンシャルかつ並列な操作モードを特徴とする。
論文 参考訳(メタデータ) (2025-05-27T13:15:35Z) - Fact Checking Beyond Training Set [64.88575826304024]
本稿では,レトリバーリーダが,あるドメインのラベル付きデータに基づいてトレーニングし,別のドメインで使用する場合,性能劣化に悩まされることを示す。
本稿では,レトリバー成分を分散シフトに対して頑健にするための逆アルゴリズムを提案する。
次に、これらのデータセットから8つの事実チェックシナリオを構築し、モデルと強力なベースラインモデルのセットを比較します。
論文 参考訳(メタデータ) (2024-03-27T15:15:14Z) - Towards Foundation Time Series Model: To Synthesize Or Not To
Synthesize? [2.8707270250981094]
本論では,合成データに基づく基礎モデルの学習に有利であるか,限られた実例のみを利用する方がよいか,という課題について考察する。
本実験は,通常の時系列のみを対象として実施し,実時間時系列のみを活用することを優先して述べる。
論文 参考訳(メタデータ) (2024-03-04T23:03:17Z) - 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) - Generative Modeling of Regular and Irregular Time Series Data via Koopman VAEs [50.25683648762602]
モデルの新しい設計に基づく新しい生成フレームワークであるKoopman VAEを紹介する。
クープマン理論に触発され、線形写像を用いて潜在条件事前力学を表現する。
KoVAEは、いくつかの挑戦的な合成および実世界の時系列生成ベンチマークにおいて、最先端のGANおよびVAEメソッドより優れている。
論文 参考訳(メタデータ) (2023-10-04T07:14:43Z) - BayOTIDE: Bayesian Online Multivariate Time series Imputation with functional decomposition [31.096125530322933]
交通やエネルギーといった現実のシナリオでは、値やノイズが欠けている巨大な時系列データが広く観測され、不規則にサンプリングされる。
多くの計算法が提案されているが、そのほとんどは局所的な地平線で動作する。
ほとんど全ての手法は、観測は通常のタイムスタンプでサンプリングされ、複雑な不規則なサンプル時系列を扱うことができないと仮定する。
論文 参考訳(メタデータ) (2023-08-28T21:17:12Z) - Sample and Predict Your Latent: Modality-free Sequential Disentanglement
via Contrastive Estimation [2.7759072740347017]
外部信号のないコントラスト推定に基づく自己教師付きシーケンシャル・アンタングルメント・フレームワークを提案する。
実際に,データのセマンティックに類似し,異種なビューに対して,統一的で効率的かつ容易にサンプリングできる手法を提案する。
提案手法は,既存の手法と比較して最先端の結果を示す。
論文 参考訳(メタデータ) (2023-05-25T10:50:30Z) - TSGM: A Flexible Framework for Generative Modeling of Synthetic Time Series [61.436361263605114]
時系列データは、研究者と産業組織間のデータの共有を妨げるため、しばしば不足または非常に敏感である。
本稿では,合成時系列の生成モデリングのためのオープンソースフレームワークである時系列生成モデリング(TSGM)を紹介する。
論文 参考訳(メタデータ) (2023-05-19T10:11:21Z) - PARTIME: Scalable and Parallel Processing Over Time with Deep Neural
Networks [68.96484488899901]
PartIMEは、データが継続的にストリーミングされるたびにニューラルネットワークを高速化するように設計されたライブラリです。
PartIMEは、ストリームから利用可能になった時点で、各データサンプルの処理を開始する。
オンライン学習において、PartialIMEと古典的な非並列ニューラル計算を経験的に比較するために実験が行われる。
論文 参考訳(メタデータ) (2022-10-17T14:49:14Z) - Learning Phone Recognition from Unpaired Audio and Phone Sequences Based
on Generative Adversarial Network [58.82343017711883]
そこで本研究では,不適切な音声系列や発話から直接学習する方法について検討する。
GAN訓練を第1段階に導入し,無声音声と音声シーケンスのマッピング関係を求める。
第2段階では、発電機の出力からトレーニングするために別のHMMモデルが導入され、性能が向上する。
論文 参考訳(メタデータ) (2022-07-29T09:29:28Z)
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。