变换器驱动的时间序列合成综述
机器学习
2024-06-05 v1 人工智能
摘要
生成式人工智能在图像和语言领域受到广泛关注，变换器神经网络持续主导最前沿技术。然而，将这些模型应用于时间序列生成的研究仍较少探索，却在机器学习、隐私保护和可解释性研究中具有重要实用价值。本综述在变换器、生成式人工智能与时间序列数据交叉领域中识别了这一空白，并综述了该稀疏子领域的研究成果。所审阅的工作方法多样，尚未就该领域所提出的问题得出一致答案。GAN、扩散模型、状态空间模型和自编码器等方法均在变换器及其周边研究中被遇到。虽然该领域开放性太大，难以提供结论性洞见，但所综述的工作相当具有启发性，本文提供了若干最佳实践建议，并提出了有价值的未来研究方向。
引用
@article{arxiv.2406.02322,
title = {A Survey of Transformer Enabled Time Series Synthesis},
author = {Alexander Sommers and Logan Cummins and Sudip Mittal and Shahram Rahimi and Maria Seale and Joseph Jaboure and Thomas Arnold},
journal= {arXiv preprint arXiv:2406.02322},
year = {2024}
}