用于时间序列生成的条件 GAN
机器学习
2020-07-01 v1 机器学习
摘要
显而易见，时间依赖数据是世界中重要的信息来源。其挑战在于机器学习应用难以获取算法开发与分析所需的大量高质量数据。使用生成对抗网络（GAN）建模合成数据一直是提供可行解决方案的核心。我们的工作聚焦于一维时间序列，并探索少样本方法，即算法在有限数据下表现良好的能力。本文试图通过提出一种新架构——时间序列 GAN（TSGAN）来缓解这一困境，以建模真实的时间序列数据。我们在来自基准时间序列数据库的 70 个数据集上评估了 TSGAN。结果表明，无论在使用 Frechet Inception Score（FID）指标的定量比较中，还是以分类作为评估标准时的定性比较中，TSGAN 均优于现有方法。
引用
@article{arxiv.2006.16477,
title = {Conditional GAN for timeseries generation},
author = {Kaleb E Smith and Anthony O Smith},
journal= {arXiv preprint arXiv:2006.16477},
year = {2020}
}