通过神经映射缩小合成时间序列与真实时间序列分布之间的差距
机器学习
2025-01-30 v1 机器学习
摘要
本文介绍了一种名为 Neural Mapper for Vector Quantized Time Series Generator (NM-VQTSG) 的新方法，用于解决向量量化 (VQ) 时间序列生成中的保真度挑战。VQ 方法，如 TimeVQVAE，虽在生成时间序列方面取得了成功，但受制于两个关键瓶颈：压缩至离散潜空间时的信心损失，以及所学习的先验分布与真实分布之间的偏差。这导致生成的合成时间序列在保真度和分布准确性方面受到影响。为克服这些限制，NM-VQTSG 利用基于 U-Net 的神经映射模型桥接合成时间序列与真实时间序列之间的分布差距。具体而言，该模型通过解决生成过程中引入的伪影，有效地对齐合成数据和真实数据的分布。值得注意的是，NM-VQTSG 可用于任何基于 VQ 的生成方法生成的合成时间序列。我们在来自 UCR Time Series Classification Archive 的多样化数据集上评估了 NM-VQTSG，证明其在无条件和条件生成任务中始终能够提升保真度。改进效果体现在 FID、IS 和条件 FID 指标显著提升，此外还通过数据空间和潜空间中的可视化检查得到了验证。我们的发现表明，NM-VQTSG 是一种新的方法，可提高合成时间序列的质量。我们的实现已在 https://github.com/ML4ITS/TimeVQVAE 上公开。
引用
@article{arxiv.2501.17553,
title = {Closing the Gap Between Synthetic and Ground Truth Time Series Distributions via Neural Mapping},
author = {Daesoo Lee and Sara Malacarne and Erlend Aune},
journal= {arXiv preprint arXiv:2501.17553},
year = {2025}
}