混合密度条件生成对抗网络模型 (MD-CGAN)
机器学习
2020-12-07 v3 机器学习
摘要
生成对抗网络 (GANs) 近年来受到广泛关注，尤其在计算机视觉中展现出令人印象深刻的的应用。然而，与此类例子相比，GANs 在时间序列建模（包括预测）中的应用较为有限。在这项工作中，我们提出混合密度条件生成对抗模型 (MD-CGAN)，重点关注时间序列预测。我们表明，我们的模型能够估计预测上的概率后验分布，并且与一组基准方法相比，MD-CGAN 模型表现良好，特别是在噪声构成观测时间序列重要组成部分的情况下。此外，通过使用高斯混合模型作为输出分布，MD-CGAN 提供的后验预测是非高斯的。
引用
@article{arxiv.2004.03797,
title = {Mixture Density Conditional Generative Adversarial Network Models (MD-CGAN)},
author = {Jaleh Zand and Stephen Roberts},
journal= {arXiv preprint arXiv:2004.03797},
year = {2020}
}
备注
Revision includes further expansion of analysis