Nov, 2021

基于 Sig-Wasserstein 的 GANs 用于时间序列生成

PDF
TL;DR本文介绍了 SigWGAN 时间序列生成器，它将连续时间随机模型与新提出的签名 $W_1$ 度量相结合，可以加速人工智能机器学习流程的开发和部署，并在量化风险模型和实证财务数据中验证了其性能。
synthetic dataaimachine learningtime-series generatorssigwgan
发现论文，激发创造
  • 条件 Sig-Wasserstein GANs 用于时间序列生成

    本研究通过引入数学原理的特征提取技术 “路径签名” 将生成式对抗网络（GANs）与时间序列数据相结合，开发了一种新型判别器和生成器方法，能够成功地在合成数据和实际数据集上优化相似性和预测能力的性能表现。

    Jun, 2020

  • 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

  • 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

  • 生成时间序列建模的通用随机签名

    我们利用随机化签名引入金融时间序列数据的生成模型，该模型基于离散时间随机化签名建立了一种新的 Wasserstein 类型距离，作为概率测度空间中的距离度量，并将其作为非对抗生成模型的损失函数。我们通过将我们的模型与现有文献中的基准进行比较来验证其性能。

    Jun, 2024

  • TTS-GAN: 基于 Transformer 的时间序列生成对抗网络

    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

  • Quant GANs: 金融时间序列的深度生成

    使用数据驱动的 Quant GANs 模型结合具有长期依赖性的时间卷积网络 (TCNs) 成功地捕捉金融时间序列中的波动集群、杠杆效应和序列自相关性，并在小、大滞后的分布性质方面表现出色。

    Jul, 2019

  • 保护和扩展 —— 使用 GAN 生成时间序列医疗记录的合成数据

    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

  • TSGM：一种灵活的生成式模型合成时间序列的框架

    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

  • 通过条件生成式对抗网络进行时间序列模拟

    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

  • Sig-Splines: 时间序列生成模型的通用逼近和凸校准

    我们提出了一种新颖的生成模型，用于多变量离散时间序列数据。该算法以神经样条流的构造为灵感，将线性变换和特征变换作为对传统神经网络的无缝替代。这种方法不仅实现了神经网络固有的通用性特性，还引入了模型参数的凸性。

    Jul, 2023