本文研究了神经网络在对正常与混沌时间序列进行分类训练时的内在机制,并提出了一种新型网络架构 —— 大核卷积神经网络(LKCNN),比传统的一些网络架构更加高效。针对低精度的神经网络分类问题,提出了一种使用输入周期性和激活周期性的新颖方法,使得分类结果的准确率得到提高。
Jun, 2023
本文提出了一种基于可视分析技术的 “人机合作” 方法,使得机器学习专业人员和领域专家能够使用生成式对抗网络生成的时间序列数据进行质量评估,并且给出了一个基于两个不同 GAN 模型的有效比较结果。
Dec, 2019
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
运用遍历理论引入机器学习的新型训练方式,强制实现系统中的动力学不变量,以提高在有限数据情况下对混沌动力学系统的长期预测能力,用回声状态网络体系结构进行演示,并以 Lorenz1996 混沌动力学系统和光谱拟地转模型为测试案例,取得了丰硕成果。
Apr, 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
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
本研究中我们使用生成对抗网络(GANs)学习格点上原型随机过程,并通过合适的噪声添加成功地使生成器和判别器的损失函数接近最优值。然而,典型的对抗式方法中振荡仍然存在,这损害了模型选择和生成轨迹的质量。我们演示了使用随机生成器推进随机轨迹的适当的多模型程序,可以显著提高精度。基于报告的发现,GANs 是解决复杂统计动力学的有前途的工具。
May, 2023
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
利用生成对抗网络(GAN)进行复杂的网络型智能物理系统的异常检测,通过多个传感器和执行器的多元时间序列模型以及强化学习的方法识别出攻击行为,针对六级安全水处理系统实验结果表明在高检测率和低误报率方面具有较高的效率和准确性。
Sep, 2018
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