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

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

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

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

本文提出了一种基于生成对抗网络（GANs）的无监督多变量异常检测方法（MAD-GAN），并在 SWaT 和 WADI 数据集上进行了实验，结果表明该方法能够有效地检测这些系统中各种形式的入侵。

Jan, 2019

本文提出了一种基于变分自动编码器的新型体系结构，可用于进行时序数据的合成生成，具有可解释性，能够编码领域知识，训练时间较短。实验表明，该方法在数据相似度和预测性方面均表现优异，依然能够准确地呈现原始数据的时态属性，并且对于下一步预测具有显著的改善效果。最后，该模型可以将特定领域的时间模式融入到生成模型中，提供可解释性的输出。

Nov, 2021

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

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

本文提出一种基于 Distilled 模型的对多元时间序列分类模型进行对抗攻击的方法，并在 UEA 和 UCR 数据集上进行验证，结果表明该方法对 18 个数据集上的两个模型的攻击均成功，因此建议未来的研究者将对抗样本纳入训练数据集以提高鲁棒性。

Mar, 2020