时序生成的条件 GAN
介绍了一种基于 transformer 的生成对抗网络用于扩充时间序列的数据大小,实现了能够生成与真实数据序列类似的合成时间序列数据。
Feb, 2022
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
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。
Apr, 2019
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
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
FETSGAN 通过 seq2seq 风格的对抗自编码器将整个序列直接转化为生成器的采样空间,引入了 First Above Threshold(FAT)算子来改善训练稳定性和生成的合成数据的整体质量。这些新颖的贡献在时间相似性的定性度量和通过 FETSGAN 生成的数据的量化预测能力方面,显著改善了对手学习算法的当前艺术状态。
Aug, 2023
通过比较各种使用生成对抗网络的合成数据生成模型,研究证明了隐私保护生成对抗网络(PPGAN)模型在保护隐私的同时保持了可接受的生成数据质量,为将来医疗应用提供更好的数据保护。
Feb, 2024
本文介绍了 Time Series Generative Modeling(TSGM)框架,该框架利用生成模型、概率和模拟器等机器学习方法生成合成的时间序列数据,可以从相似度、预测一致性、多样性和隐私保护等方面评估数据质量。TSGM 不仅适用于开放数据集,而且在实际生产中也表现出巨大的潜力。同时,该项目允许用户使用命令行界面进行合成数据生成,这降低了编程背景较弱的用户的学习门槛。
May, 2023