GAT-GAN：一种基于图注意力的时间序列生成对抗网络
机器学习
2023-06-06 v1 人工智能
摘要
生成对抗网络（GANs）已被证明是生成逼真合成数据的有力工具。然而，传统 GAN 常难以捕捉特征间的复杂关系，导致生成不真实的多变量时间序列数据。本文提出一种基于图注意力的生成对抗网络（GAT-GAN），其显式包含两层图注意力：一层学习时间依赖，另一层捕捉空间关系。不同于难以建模长数据序列的基于 RNN 的 GAN，GAT-GAN 利用对抗训练的自编码器架构生成高保真长时间序列数据。我们使用多种真实时间序列数据集的实证评估表明，我们的框架在基于 \emph{Frechet Transformer 距离} 和 \emph{Predictive score}（分别刻画 \emph{保真度、多样性} 与 \emph{预测性能}）的指标上持续优于最先进基准。此外，我们引入一种类 Frechet Inception 距离（FID）的时间序列数据度量，称为 Frechet Transformer 距离（FTD）分数（越低越好），以评估生成数据的质量与多样性。我们还发现低 FTD 分数对应于表现最佳的下游预测实验。因此，FTD 分数可用作评估合成时间序列数据的标准化度量。
引用
@article{arxiv.2306.01999,
title = {GAT-GAN : A Graph-Attention-based Time-Series Generative Adversarial Network},
author = {Srikrishna Iyer and Teng Teck Hou},
journal= {arXiv preprint arXiv:2306.01999},
year = {2023}
}
备注
9 pages, 1 figure, 3 tables, preprint under review