使用生成对抗网络，提出一种生成逼真高保真的股票市场数据的方法，通过使用条件 Wasserstein GAN 来捕捉订单历史依赖性，生成器设计包括近似市场拍卖机制的组件以及运用订单簿构建增强订单历史的生成任务，提供学习生成器分布的数学特征，并提出统计方法来衡量生成订单的质量，结果显示其生成数据与真实数据相似。

Jun, 2020

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

本文研究了使用条件生成模型进行订单薄模拟的方法，通过使用对抗攻击探索了其对输入特征的依赖性，从而揭示了其优点和缺点，并展示了如何使用这些见解来改进 CGAN 模型的现实性和鲁棒性。

Jun, 2023

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

提出一种使用生成流的非自回归序列生成模型，以提高非自回归序列生成的效率。在三个神经机器翻译基准数据集上进行了评估，与最先进的非自回归神经机器翻译模型性能相当且几乎不随序列长度而变化。

Sep, 2019

本文提出了一种新颖的生成式概率预测方法，基于非参数时间序列的 Wiener-Kallianpur 创新表示。在生成人工智能的范式下，提出的预测架构包括一个自编码器，将非参数多变量随机过程转化为规范化的创新序列，根据过去样本的条件概率分布生成未来时间序列样本。提出了一种新颖的深度学习算法，使潜在过程成为具有匹配自编码器输入 - 输出条件概率分布的独立同分布序列。该生成式预测方法具有渐近最优性和结构收敛性质。研究了三个应用领域，包括实时市场操作中的高动态和高波动时间序列：(i) 商业储能参与者的位置边际价格预测，(ii) 互联市场的区域价格差预测，以及 (iii) 频率调节的区域控制误差预测。基于多个独立系统运营商的市场数据的数值研究表明，在概率和点预测指标下，与传统的和基于机器学习的预测技术相比，该方法具有更优越的性能。

Mar, 2024

我们提出了一种基于归一化流的多帧视频预测方法，可以直接优化数据可能性并生成高质量的随机预测，该方法可以实现对于视频生成建模的可行且竞争性的方法。

Mar, 2019

本研究提出一种名为 Shuffling sEquence gEneration Network (SEE-Net) 的模型，通过打乱视频帧的顺序并将其与真实视频序列进行比较来学习区分非自然的顺序信息，从而提升了视频预测的效果，实验结果表明该模型在合成和实际场景视频上的表现都优于其他先前的方法，其具有生成更加真实的内容，顺序信息对于视频生成至关重要的特点。

Jul, 2019

该论文提出了 GAROM，一种基于生成对抗网络（GAN）的简化模型方法，该方法将 GAN 和 ROM 框架相结合，通过引入数据驱动的生成对抗模型来学习参数微分方程的解决方案，并提供了关于其推理，模型泛化和方法的收敛性研究的实验证据。

May, 2023

该研究提出了一种基于生成对抗性模型（TrajGAIL）的机器学习方法，使用生成建模方法学习城市车辆轨迹数据的潜在分布，从而能够生成与实际车辆轨迹相似的合成轨迹来解决数据稀疏性或数据隐私问题，并在模拟和现实数据集中得到显著的性能提升。

Jul, 2020