基于 Transformer 的条件生成对抗网络用于多元时间序列生成

Oct, 2022

基于 Transformer 的条件生成对抗网络用于多元时间序列生成

Transformer-based conditional generative adversarial network for multivariate time series generation

Abdellah Madane, Mohamed-djallel Dilmi, Florent Forest, Hanane Azzag, Mustapha Lebbah...

TL;DR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。

Abstract

conditional generation of time-dependent data is a task that has much interest, whether for data augmentation, scenario simulation, completing missing data, or other purposes. Recent works proposed a transformer-

time series generative adversarial network multivariate conditional generation transformer

发现论文，激发创造

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

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

T-CGAN: 一种用于非规则采样噪声时间序列数据增强的条件生成式对抗网络

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

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

利用注意力和对抗训练的多变量时间序列表示学习

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

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

GAT-GAN：一种基于图注意力机制的时间序列生成对抗网络

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

基于 Transformer 的时间序列合成综述

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

全嵌入时间序列生成对抗网络

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

从字幕生成视频：创造您所说的话

本文中，我们提出了一个新颖的基于标题的时序生成对抗网络（TGANs-C）来生成视频，该网络结合了数据的语义和时间上的一致性。我们通过定性和定量实验验证了我们的提议，并展示了在给定标题的情况下生成逼真视频的能力。

Apr, 2018