時系列データ生成のためのTabular Denoising Diffusion Probabilistic Modelsの拡張
arXiv cs.LG / 2026/4/8
💬 オピニオンIdeas & Deep AnalysisModels & Research
要点
- 本論文は、標準的なタブラーディフュージョンモデルでは表現できない時間的依存性を維持しつつ、合成時系列データを生成するためのTabDDPMの時間的拡張を提案する。
- 軽量な時間的アダプタおよびコンテキスト対応の埋め込みモジュールにより、シーケンスへの気づきを追加する。これには、タイムステップ埋め込み、条件付きの活動ラベル、観測/欠損マスクを含む。
- 本手法はセンサ入力をウィンドウ化されたシーケンスに再構成し、時間的コンテキストを明示的にモデル化することで、より時間的に整合した合成シーケンスを生成する。
- 二グラム遷移行列と自己相関分析を用いた実験により、ベースラインや補間アプローチに比べて、時間的なリアリティ、多様性、コヒーレンスが向上することが示される。
- WISDMの加速度計データセットでは、生成したシーケンスが競争力のある下流分類性能を達成する（macro F1 0.64、accuracy 0.71）。これは、少数クラスの拡張と、実データ分布との統計的整合を裏付ける。
