AVATAR：用于时间序列生成的对抗自编码器与自回归微调

数据增强可以通过解决数据稀缺问题和提高泛化能力来显著提升机器学习任务的性能。然而，生成时间序列数据带来了独特的挑战。模型不仅必须学习反映真实数据分布的概率分布，还必须捕获每个时间步的条件分布，以保留固有的时间依赖性。为了应对这些挑战，我们引入了 AVATAR，这是一个将对抗自编码器 (AAE) 与自回归学习相结合以实现这两个目标的框架。具体而言，我们的技术将自编码器与一个监督器集成，并引入了一种新颖的监督损失，以辅助解码器学习时间序列数据的时间动态。此外，我们提出了另一种创新的损失函数，称为分布损失，以引导编码器更高效地将自编码器潜在表示的聚合后验与先验高斯分布对齐。此外，我们的框架采用联合训练机制，使用组合损失同时训练所有网络，从而实现时间序列生成的双重目标。我们在具有不同特征的各种时间序列数据集上评估了我们的技术。我们的实验表明，通过各种定性和定量指标评估，生成数据的质量和实用效用均有显著提升。