潜在空間を活用した高次元データの効率的生成に関する研究
研究背景、概要、目的
昨今のEVシフトに伴ってシステムのシミュレート化が行われている．
処理が高度なため，そのシミュレーションを代替するAIサロゲートモデルが開発される先行研究[1]がある．
しかし，サロゲートモデルの汎用性に課題があったため，現象を網羅的に再現するデータを生成する必要がある．
本研究ではこの網羅的な時系列データを生成する過程を，時系列生成に特化した拡散モデル[2][3]を用いて，深層機械学習で行う．
最終的に，データの潜在的表現を活用して，現実的かつ未知のデータを多様に生成の実現を目指す．
参考文献
[1]N.Naka, B.Raytchev. T.Uemura, M.Kawaguchi, K.Kobayashi, Y. Ueki, Y. Wada, T. Higaki, K. Kaneda, Surrogate Modeling of Refrigerant Circuits Using Machine Learning, Proc. International Joint Conference on Neural Networks (IJCNN) 2025, pp.1-8, Rome, 2025.
[2]Yang, Yiyuan, et al. "A survey on diffusion models for time series and spatio-temporal data." ACM Computing Surveys 58.8 (2026): 1-39.
[3]Yuan, Xinyu, and Yan Qiao. "Diffusion-ts: Interpretable diffusion for general time series generation." arXiv preprint arXiv:2403.01742 (2024).