TTS-GAN: 基于 Transformer 的时间序列生成对抗网络
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
本文提出了一种基于变压器自编码器的、使用对抗训练方案进行正则化的人工多变量时间序列信号生成方法,通过 t-SNE 可视化、动态时间扭曲(DTW)和熵评分对生成的信号进行评估,结果表明与卷积网络方法相比,生成的信号与示例数据集的相似性更高。
Jan, 2024
本文提出了一种基于图注意力机制的生成对抗网络(GAT-GAN),使用这种方法可以生成具有高保真度的长时间序列数据,可以通过使用 FTD 评分标准来标准化地评估生成数据的质量和多样性,并且评估结果表明,相比于现有的基于 Frechet Transformer distance 和 Predictive score 的基准模型,GAT-GAN 在多个真实数据集上表现更优。
Jun, 2023
在图像和语言领域,生成式人工智能已经引起了很大关注,使用转换器神经网络持续主导最新技术。然而,将这些模型应用于时间序列生成的研究尚不充分,而这对于机器学习、隐私保护和可解释性研究具有极大的实用价值。本综述通过识别转换器、生成式人工智能和时间序列数据这一稀缺研究子领域,回顾了已有的研究工作。回顾的工作方法多样,但尚未就该领域提出解决问题的确定答案。在最初进行的调查中,除了转换器之外,还遇到了 GANs、扩散模型、状态空间模型和自编码器。虽然该领域还没有提供确定性的洞见,但是已经回顾的工作具有很大的启发性,并提供了一些建议的最佳实践和有价值的未来工作建议。
Jun, 2024
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
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
本文提出了一种使用生成对抗网络和 Professor Forcing 概念训练的自回归模型,旨在减轻 TTS 中遭遇的曝光偏差问题,AB 测试结果表明该方法相较于传递学习得到了显著的 CMOS 0.1 的改进,语音测试集表现也有大幅度提升。
Apr, 2019
使用条件前馈生成器和多个鉴别器组成的架构,GAN-TTS 能够生成自然度与当前最先进的模型相当,而且可以高度并行化。同时,研究者还使用了主观人类评估及新型量化指标来评估 GAN-TTS 的性能。
Sep, 2019