有向链生成对抗网络

现实世界数据可能呈多模态分布，例如描述社区中意见分歧的数据、神经元放电间隔分布以及振荡器的自然频率。生成多模态分布的现实世界数据已成为现有生成对抗网络（GANs）面临的挑战。例如，神经随机微分方程（Neural SDEs）被视为无限维 GANs，主要在生成单模态时间序列数据方面展示了成功性能。在本文中，我们提出一种新颖的时间序列生成器，称为有向链 GANs（DC-GANs），它将一个时间序列数据集（称为有向链的邻域过程或输入）插入到具有分布约束的有向链 SDEs 的漂移和扩散系数中。DC-GANs 可以生成与邻域过程同分布的新时间序列，而邻域过程将为学习和生成多模态分布时间序列提供关键步骤。所提出的 DC-GANs 在四个数据集上进行了检验，包括来自社会科学和计算神经科学的两个随机模型，以及关于股票价格和能源消耗的两个现实世界数据集。据我们所知，DC-GANs 是首个能够生成多模态时间序列数据并在分布、数据相似性和预测能力度量上持续优于最先进基准的工作。