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

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

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

我们提出了一种名为 ' 时间图生成对抗网络 ' 的新模型，它能够连续地生成时间图，并针对回归神经网络设计了一些新的激活函数，以强制实施时间合法性约束，以及一种新的时间图鉴别器，以提高效率和准确性。

May, 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

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