用于不平衡序列分类的自编码器与生成对抗网络
机器学习
2022-10-10 v6 机器学习
摘要
生成对抗网络（GANs）已被用于许多不同应用以生成逼真的合成数据。我们引入了一种带有自编码器（GAN-AE）的新颖 GAN 架构，用于为变长、多特征序列数据集生成合成样本。在该模型中，我们开发了带有额外自编码器组件的 GAN 架构，其中模型的每个组件均使用循环神经网络（RNNs）以生成合成数据，从而提升高度不平衡医疗设备数据集的分类精度。除医疗设备数据集外，我们还在另外两个数据集上评估了 GAN-AE 的性能，并展示了 GAN-AE 在序列到序列任务中的应用，其中必须同时生成合成序列输入和序列输出。为评估合成数据质量，我们分别使用和不使用合成数据训练编码器-解码器模型，并比较分类模型性能。我们表明，使用 GAN-AE 生成的合成数据训练的模型优于使用标准过采样技术（如 SMOTE 和自编码器）以及最先进基于 GAN 的模型生成的合成数据训练的模型。
引用
@article{arxiv.1901.02514,
title = {Autoencoders and Generative Adversarial Networks for Imbalanced Sequence Classification},
author = {Stephanie Ger and Yegna Subramanian Jambunath and Diego Klabjan},
journal= {arXiv preprint arXiv:1901.02514},
year = {2022}
}