Mar, 2024

FFAD：利用傅立叶变换和自编码器评估生成的时间序列数据的新型指标

PDF
TL;DR通过使用傅里叶变换和自编码器，提出了一种新的评估基于深度学习生成的时序数据质量的方法，命名为 Fréchet Fourier-transform Auto-encoder Distance (FFAD)，该方法展示了在区分不同类别样本方面的潜力，从而为生成时序数据的评估方法提供了基础工具。
deep learning-based generative modelsfréchet inception distance (fid)time series datafourier transformauto-encoder
发现论文，激发创造
  • 生成对抗网络中 FID 和 SID 指标的评估

    使用公共数据集对图像处理中的生成对抗网络（GAN）模型进行训练和评估，发现使用 SID 指标能够有效衡量模型的生成性能，超过或者与使用 FID 指标相当。

    Feb, 2024

  • 使用去噪自编码器提高生成设计的可信度评估

    使用深度生成模型（DGM）进行生成设计的研究表明，常用的评估指标往往不能准确评估结构不合理性，本研究提出基于简单去噪自编码器（DAE）的度量方法，在三个数据集上与 Fréchet Inception Distance 和其它先进指标进行对比实验，结果表明基于 DAE 的指标能够有效检测不合理的结构并与人工专家的结构检查结果相一致。

    Mar, 2024

  • 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

  • 关于理解深度特征空间在人脸生成评估中的作用

    通过对人脸图像的深度特征空间进行研究，我们发现 Fréchet Inception Distance 指标明显受特征空间数据集和目标函数影响，建议在使用生成模型时考虑多个特征空间并使用经过调整的特征空间。

    May, 2023

  • 使用高阶矩来评估 GAN 生成的图像特征质量

    探索了基于图像特征数据的高斯分布的假设并通过定义新的测量方法，即偏度内插距离（SID），来扩展既定评估标准 Fréchet Inception Distance（FID）。数值实验结果表明，SID 在评估 ImageNet 数据的图像特征时要么与 FID 保持一致，要么更贴近人类感知。

    Oct, 2023

  • TFAD: 一种基于时频分解的时间序列异常检测架构

    本文提出了一种基于时间 - 频率分析的时序异常检测模型，TFAD，能够利用时间和频率域中的信息来提高性能，并在设计的时频架构中加入了时序分解和数据增强机制，以进一步提高性能和可解释性。经实证研究表明，该方法在单变量和多变量时序异常检测任务中取得了最先进的性能表现。

    Oct, 2022

  • 重新思考 FID：为图像生成提供更好的评估度量

    FID 作为生成图像的主要质量度量标准存在一些问题，我们提出了一个基于更丰富的 CLIP 嵌入和最大均值差异距离的高斯 RBF 核的新的替代度量标准 CMMD，通过实验证明 FID 评估文本到图像模型的可靠性较低，而 CMMD 则提供了更强大和可靠的图像质量评估方法。

    Nov, 2023

  • 重温 VAE 的无监督时间序列异常检测：一种频率视角

    我们提出了一种新的无监督异常检测方法 FCVAE，通过同时集成全局和局部频率特征，显著提高了正常数据的重构准确性，以解决基于 VAE 的方法在捕捉长周期异质模式和详细短周期趋势方面面临的挑战。通过精心设计的 “目标注意力” 机制，我们的方法能够从频域选择最有用的信息以更好地构建短周期趋势。在公开数据集和大规模云系统上对 FCVAE 进行了评估，结果表明它优于最先进的方法，验证了我们的方法在解决当前基于 VAE 的异常检测模型的局限性方面的实际适用性。

    Feb, 2024

  • ImageNet 类别在 Fréchet Inception 距离中的作用

    通过对 Fréchet Inception Distance 的调查，我们发现它容易受到人为或意外扭曲的影响。在一个意外的案例中，一个经过 ImageNet 预训练的 FastGAN 可以实现与 StyleGAN2 相当的 FID，但它在人类评估方面表现更差。

    Mar, 2022

  • 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