FFAD：一种利用傅里叶变换和自编码器评估生成时间序列数据的新指标

基于深度学习的生成模型在生成逼真图像、视频和音频方面的成功引发了一个关键考量：如何有效评估合成样本的质量。虽然 Fréchet Inception Distance (FID) 是评估图像合成生成模型的标准指标，但时间序列数据却缺乏可比的指标。这种评估能力的缺失源于缺乏在基准时间序列数据集上预训练的广泛接受的特征向量提取器。为解决与评估时间序列质量相关的这些挑战，特别是在 Fréchet 距离的背景下，本研究提出了一种利用傅里叶变换和自编码器的新解决方案，称为 Fréchet 傅里叶变换自编码器距离 (FFAD)。通过实验结果，我们展示了 FFAD 在有效区分不同类别样本方面的潜力。这一新指标成为评估生成时间序列数据的基础工具，有助于持续努力提升基于深度学习的生成模型领域的评估方法。