全嵌入时间序列生成对抗网络
机器学习
2024-05-14 v2
摘要
生成对抗网络（GANs）应生成符合所建数据潜在分布的合成数据。对于实值时间序列数据，这意味着需要同时捕捉数据的静态分布以及任意潜在时间跨度的完整时间分布。该时间元素产生了一个更复杂的问题，可能使当前解法约束不足、训练不稳定或易出现不同程度模式崩溃。在FETSGAN中，整个序列通过seq2seq风格对抗自编码器（AAE）直接映射到生成器采样空间，其中对抗训练用于在特征空间与低维采样空间中匹配训练分布。该额外约束宽松地确保合成样本的时间分布不会崩溃。此外，引入首超阈值（FAT）算子以辅助编码序列的重建，提升了训练稳定性及所生成合成数据的整体质量。这些新颖贡献在时间相似性的定性度量与通过FETSGAN生成数据的定量预测能力上，展示了对当前最优对抗学习器的显著改进。
引用
@article{arxiv.2308.15730,
title = {Fully Embedded Time-Series Generative Adversarial Networks},
author = {Joe Beck and Subhadeep Chakraborty},
journal= {arXiv preprint arXiv:2308.15730},
year = {2024}
}
备注
Final Manuscript. Accepted. Neural Computing and Applications May 2024