How to Unlock Time Series Editing? Diffusion-Driven Approach with Multi-Grained Control

要約

時系列の生成における最近の進歩は有望であるが、生成されたシーケンスの制御特性を制御することは依然として困難です。
時系列編集（TSE） – 時間的コヒーレンスを維持しながら正確な変更を加える – 現在の方法が提供するのに苦労しているポイントレベルの制約とセグメントレベルのコントロールの両方を検討します。
さまざまな種類の制約にわたって同時に柔軟な制御を有効にするために、カクテル編集フレームワークを紹介します。
このフレームワークには、2つの重要なメカニズムが組み合わされています。ポイントワイズ制約の信頼加重アンカー制御と、セグメントの平均や平均などの統計的特性を管理するための分類器ベースの制御です。
私たちの方法は、条件付き訓練された拡散ベースの時系列モデルと、一時的なコヒーレンスを維持し、シームレスに統合しながら、除去推論段階で正確な局所制御を実現します。
多様なデータセットとモデルにわたる広範な実験は、その有効性を示しています。
私たちの仕事は、純粋な生成モデリングと現実世界の時系列の編集ニーズの間のギャップを埋め、ループ内の時系列の生成と編集に柔軟なソリューションを提供します。
コードとデモは検証用に提供されます。

要約(オリジナル)

Recent advances in time series generation have shown promise, yet controlling properties in generated sequences remains challenging. Time Series Editing (TSE) – making precise modifications while preserving temporal coherence – consider both point-level constraints and segment-level controls that current methods struggle to provide. We introduce the CocktailEdit framework to enable simultaneous, flexible control across different types of constraints. This framework combines two key mechanisms: a confidence-weighted anchor control for point-wise constraints and a classifier-based control for managing statistical properties such as sums and averages over segments. Our methods achieve precise local control during the denoising inference stage while maintaining temporal coherence and integrating seamlessly, with any conditionally trained diffusion-based time series models. Extensive experiments across diverse datasets and models demonstrate its effectiveness. Our work bridges the gap between pure generative modeling and real-world time series editing needs, offering a flexible solution for human-in-the-loop time series generation and editing. The code and demo are provided for validation.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google