一种用于时间序列数据生成的谱增强生成对抗网络
机器学习
2021-03-03 v1 机器学习
摘要
时间依赖数据是当今数据驱动世界中信息的主要来源。然而，此类数据的生成已显现其挑战性，并成为生成式机器学习领域中有趣的研究方向。Smith等人提出的一种方法开发了时间序列生成对抗网络（TSGAN），在生成时间依赖数据方面表现出良好性能，并具备少样本生成能力，尽管在训练与学习的某些方面存在缺陷。本文旨在改进TSGAN的结果并解决这些缺陷，通过统一TSGAN中独立网络的训练并在训练与学习上建立依赖关系。这一改进称为统一TSGAN（uTSGAN），在学界使用的70个基准时间序列数据集上与其前身进行了定量与定性测试和比较。uTSGAN在相同的训练轮数下于80%的数据集上优于TSGAN，并在不超过3/4训练时间的情况下于60%的数据集上优于TSGAN，同时在那些数据集上以更优的FID分数保持了少样本生成能力。
引用
@article{arxiv.2103.01904,
title = {A Spectral Enabled GAN for Time Series Data Generation},
author = {Kaleb E. Smith and Anthony O. Smith},
journal= {arXiv preprint arXiv:2103.01904},
year = {2021}
}