条件损失与深度Euler格式用于时间序列生成
机器学习
2021-10-07 v5 机器学习
概率论
应用统计
摘要
我们引入了三种基于随机微分方程（SDEs）的Euler离散化与Wasserstein度量的时间序列新生成模型。其中两种方法依赖于将生成对抗网络（GANs）适配于时间序列。第三种算法称为条件Euler生成器（CEGEN），其在所有时间步上最小化转移概率分布之间的专用距离。在Ito过程的背景下，我们提供了理论保证：最小化该准则意味着对漂移和波动率参数的准确估计。我们通过实证证明，CEGEN在边际和时间动态度量上均优于最先进方法和GAN生成器。此外，它能在高维中识别准确的相关结构。当可用数据点较少时，我们验证了CEGEN与迁移学习方法结合在蒙特卡洛模拟上的有效性。最后，我们在多个真实世界数据集上展示了我们方法的鲁棒性。
引用
@article{arxiv.2102.05313,
title = {Conditional Loss and Deep Euler Scheme for Time Series Generation},
author = {Carl Remlinger and Joseph Mikael and Romuald Elie},
journal= {arXiv preprint arXiv:2102.05313},
year = {2021}
}
备注
14 page, 9 Figures