TSGM：一种灵活的生成式模型合成时间序列的框架

May, 2023

TSGM：一种灵活的生成式模型合成时间序列的框架

TSGM: A Flexible Framework for Generative Modeling of Synthetic Time Series

Alexander Nikitin, Letizia Iannucci, Samuel Kaski

TL;DR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。

Abstract

Temporally indexed data are essential in a wide range of fields and of interest to machine learning researchers. time series data, however, are often scarce or highly sensitive, which precludes the sharing of dat

time series generative modeling synthetic data machine learning privacy

发现论文，激发创造

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

TSGBench: 时间序列生成基准

合成时间序列生成是数据增强、异常检测和隐私保护等各种应用中至关重要的，然而现有方法存在三个限制，而为了克服这些限制，我们引入了一个统一和综合评估 TSG 方法的 TSGBench 基准，它包括三个模块：一系列经过精心筛选的适用于合成时间序列的真实世界数据集和标准化的预处理流程；包括传统评估方法、基于距离的新评估方式和可视化工具在内的一套全面的评估措施；一项具有开创性的领域适应根基的泛化测试，兼容所有方法。我们对来自不同领域的十个真实世界数据集进行了广泛的实验，利用了十种先进的 TSG 方法和十二种评价措施，所有这些通过 TSGBench 进行了评估，结果突显出其显著的功效和一致性，更重要的是，TSGBench 提供了方法排名的统计细分，阐明了不同数据集和评估措施之间的性能变化，并且提供了对每种方法有效性的细致见解。

Sep, 2023

走向可控时间序列生成

时间序列生成（TSG）是在许多应用中不可或缺的一种关键技术，本文提出了一种针对数据稀缺情况的可控时间序列生成（CTSG）问题，并介绍了具有出色性能的 CTSG 框架 CTS 及其在生成高质量可控输出方面的应用。

Mar, 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

tsMorph：生成半合成时间序列以理解算法性能

tsMorph 方法通过数据集变形生成半合成时间序列，用以评估 Long Short-Term Memory Network 在频率不同的时间序列上的性能。研究结果表明，tsMorph 是一种有效理解预测算法行为的工具，并能克服实证研究所面临的限制，从而实现更广泛和可靠的实验。

Dec, 2023

基于 Sig-Wasserstein 的 GANs 用于时间序列生成

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。

Nov, 2021

深度时间分解：大规模时空生成模型

通过提出一种基于 Transformer 的扩散模型（TDDPM）来解决时间序列生成模型在处理移动性数据时的限制和挑战，并在新的综合基准测试中显示了显著的改进和扩展性。

Jun, 2024

为基于人工智能的疾病轨迹预测和药物开发数字孪生生成多维分子介质时间序列数据：考虑因素

本文讨论合成数据在神经网络人工智能系统开发中的重要作用，并探讨复杂多尺度机制模拟模型生成多维时间序列数据在生物医学领域中的应用，尤其是对于疾病预测和药物开发流程的重要性。

Mar, 2023

TSPP：一种用于时间序列预测的统一基准工具

通过提出一个可扩展的合成图生成工具，该工具从专有数据集中学习一系列参数模型，可以为研究人员提供研究各种图方法的合成数据，从而实现原型开发和创新应用的目的。

Dec, 2023

基于打分的生成模型的多元异常检测

我们提出了一种基于评分的生成模型的多变量时间序列异常检测器，称为 MadSGM，它考虑了最广泛的异常度量因素：基于重建、基于密度和基于梯度的异常度量。通过在五个真实世界基准数据集上的实验证明，MadSGM 实现了最稳健和准确的预测。

Aug, 2023