PCF-GAN: 通过路径空间上的测度特征函数生成序列数据
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
本文介绍了一种基于粗路径理论中的高阶路径开发方法的新型度量标准,称为高阶 PCF 距离(HRPCFD),用于扩展弱收敛性的测量,该度量标准还定义了测度值过程的特征函数。然后展示了 HRPCFD 具有许多有利的分析性质,使得我们能够设计出一种有效的从数据训练 HRPCFD 和构建 HRPCF-GAN 的算法,其中 HRPCFD 被用作有条件时间序列生成的鉴别器。我们对假设检验和生成建模进行的数值实验验证了我们的方法相较于几种最先进的方法的优越性,突显出它在合成时间序列生成以及解决经典金融和经济挑战(如最优停止或效用最大化问题)方面的潜力。
May, 2024
本文提出了一种基于特征函数距离(Characteristic Function Distance)的新颖的隐式生成模型评价方法,可用于无监督图像生成,并在实验中表现出优于 WGAN 和 MMD-GAN 变体的性能。
Sep, 2019
我们提出了一种特征生成器,这是一种新颖的单步生成模型,它将生成对抗网络(GANs)中的采样效率与流模型的稳定性相结合。我们的模型驱动着特征,沿着这些特征,可以通过常微分方程(ODEs)来描述概率密度传输。具体而言,我们通过非参数回归估计速度场,并利用欧拉法解决概率流 ODE,生成一系列离散的特征近似。然后,我们使用深度神经网络来拟合这些特征,确保实现了有效地将先验分布推向目标分布的单步映射。在理论方面,我们分析了速度匹配、欧拉离散化和特征拟合中的误差,建立了特征生成器在 2-Wasserstein 距离中的非渐近收敛速率。据我们所知,这是首次对无模拟单步生成模型进行全面分析。此外,我们的分析还改进了先前关于流模型生成模型的误差分析。我们将我们的方法应用于合成数据集和真实数据集,结果表明,仅通过一次神经网络评估即可实现出色的生成质量。
May, 2024
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
本研究提供了一种模拟算法,能够从黑盒格式的 (多变量) 特征函数中进行模拟。我们构建了一个生成式神经网络,其损失函数利用最大均值差异度指标的特定表示直接融入目标特征函数。这种构建方式具有普遍性,不受维度限制,并且不需要对给定特征函数作任何假设。此外,还导出了关于最大均值差异度指标的逼近质量的有限样本保证。该方法在一个简短的模拟研究中进行了说明。
Jan, 2024
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
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
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
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