Apr, 2019

通过条件生成式对抗网络进行时间序列模拟

PDF
TL;DR本文提出了使用条件生成对抗网络（CGAN）学习和模拟时间序列数据的方法，探讨 GAN 和神经网络与现有统计方法之间的联系，最终展示了 CGAN 在市场风险分析中的应用，包括历史数据的学习、风险预测分析以及价值风险和预期缺失计算等方面，并通过回测结果证明其优于历史模拟法。
conditional generative adversarial nettime series datamarket risk analysisvalue-at-riskexpected shortfall
发现论文，激发创造
  • 时序生成的条件 GAN

    本文提出了一种新型时序生成对抗网络 (Time Series GAN，TSGAN)，并以基准时序数据库中的 70 个数据集作为评估对象，证明了 TSGAN 相较竞争对手表现更好，既在 Frechet Inception Score (FID) 度量中表现更佳，也在分类评估标准上具有更好的定性表现。

    Jun, 2020

  • T-CGAN: 一种用于非规则采样噪声时间序列数据增强的条件生成式对抗网络

    本文提出了一种数据增强方法 Time-Conditional Generative Adversarial Network (T-CGAN)，通过条件生成对抗网络生成新的时间序列，对比其他数据增强技术，得到了更好的分类效果。

    Nov, 2018

  • 具条件循环 GAN 的实值（医学）时间序列生成

    本文提出使用循环神经网络的生成对抗网络 (GAN) 框架来生成逼真多维时间序列数据，尤其聚焦于应用在医疗数据上。通过对玩具数据集的试验，本文证明了所提出的 RGAN 和 RCGAN 可以成功地生成逼真的时间序列数据，并在手写数字分类和医疗数据的早期预警系统等方面展示了它们在监督训练任务中的可用性。同时，本文还探讨了利用 RCGAN 生成逼真医学时间序列数据可能引起的隐私问题。

    Jun, 2017

  • 基于 Transformer 的条件生成对抗网络用于多元时间序列生成

    本文通过引入编码上下文并在条件生成对抗网络中使用，扩展了基于 Transformer 的时间序列生成对抗网络 (TTS-GAN)，从而可以使用一个模型来拟合具有多个子组件的混合分布。通过定性和定量的评估指标，我们展示了该模型可以生成高维度和长时间序列数据，并在不同条件下具有较好的性能。

    Oct, 2022

  • 金融时间序列的深度生成建模与 VaR 应用：一项比较评述

    金融服务行业中，根据历史和当前市场环境来预测风险因素分布是市场风险建模和风险价值 (VaR) 模型的关键。本研究应用多个现有的深度生成方法，如 CGAN、CWGAN、Diffusion 和 Signature WGAN，以及提出并测试两种新方法进行条件多步时间序列生成，即编码器 - 解码器 CGAN 和条件 TimeVAE。此外，我们引入了一个全面的框架和一组关键绩效指标 (KPIs)，用于衡量金融建模中生成时间序列的质量。KPIs 包括分布距离、自相关和回测。在历史美元收益曲线数据和从 GARCH 和 CIR 过程模拟的附加数据上测试了所有模型 (HS、参数模型和神经网络)。研究表明，HS、GARCH 和 CWGAN 模型是表现最好的模型。此领域中的未来研究方向也在研究中进行了讨论。

    Jan, 2024

  • TCGAN：卷积生成对抗网络用于时间序列分类和聚类

    一篇最近的研究表明，在学习成功分类的时间序列数据的分层表示方面，监督卷积神经网络（CNNs）具有优势。然而，这些方法需要足够大规模的标记数据进行稳定学习，然而获取高质量的标记时间序列数据可能是昂贵且难以实现的。因此，本文引入了一种时间序列卷积生成对抗网络（TCGAN），通过在没有标记信息的情况下，让两个一维 CNN（即生成器和判别器）进行对抗性博弈来学习。TCGAN 在合成和真实数据集上进行了广泛的实验证明其比现有时间序列生成对抗网络更快且更准确，其学习到的表示使得简单的分类和聚类方法能够达到优越且稳定的性能，在少标记和不平衡标记的场景下仍保持高效性。本研究为有效利用丰富的无标记时间序列数据提供了一条有希望的途径。

    Sep, 2023

  • GT-GAN: 通用时序生成对抗网络的时间序列合成

    设计了一种基于生成对抗网络的通用时序合成模型，能够在正常和不规则数据类型上表现出色，相比所有现有方法，我们的方法表现更佳。

    Oct, 2022

  • 基于可视化的生成对抗网络在时间序列数据上的评估

    本文提出了一种基于可视分析技术的 “人机合作” 方法，使得机器学习专业人员和领域专家能够使用生成式对抗网络生成的时间序列数据进行质量评估，并且给出了一个基于两个不同 GAN 模型的有效比较结果。

    Dec, 2019

  • 使用生成对抗网络合成逼真的心电图

    本文研究应用生成对抗网络（GANs）生成真实且无隐私顾虑的电信号数据，用于医疗培训和数据分析，并就 GANs 产生的合成数据的隐私问题进行讨论。研究结果表明 GANs 的架构成功地生成了与训练集相似且不同样本的时间序列信号，并且能够经受住简单的成员推断攻击，保证了训练集的隐私。

    Sep, 2019

  • 基于条件生成对抗网络的广义回归

    利用条件生成对抗网络来解决回归问题，通过学习预测函数的输出与输入的配对在训练数据集中无法与特征 - 标签对区分的方式，提出了一种对回归问题的新方法，相比传统回归方法，该方法在拟合数据的分布上做出了更少的假设，具备更好的表示能力，并与统计学中的广义线性模型进行了类比，展示了如何将其扩展到神经网络，通过在多个合成和公开实际数据集上的实验证明了这种新方法优于标准回归的优势，尤其是在实际的重尾回归数据集中，为了使我们的工作更具可重复性，我们发布了源代码。

    Apr, 2024