PSA-GAN：用于合成时间序列的渐进式自注意力生成对抗网络
机器学习
2022-03-29 v3
摘要
长度充足的逼真合成时间序列数据可赋能预测等时间序列建模任务的实际应用，但这仍具挑战性。本文提出 PSA-GAN，一种利用 GAN 渐进式生长与自注意力生成高质量长时序样本的生成对抗网络（GAN）。我们表明 PSA-GAN 可用于在两个下游预测任务中降低仅使用真实数据的基线误差。我们还引入了类 Frechet-Inception Distance 的评分 Context-FID，以评估合成时间序列样本的质量。在下游任务中，我们发现得分最低的模型对应性能最佳的模型。因此，Context-FID 可作为开发时间序列 GAN 模型的有用工具。
引用
@article{arxiv.2108.00981,
title = {PSA-GAN: Progressive Self Attention GANs for Synthetic Time Series},
author = {Jeha Paul and Bohlke-Schneider Michael and Mercado Pedro and Kapoor Shubham and Singh Nirwan Rajbir and Flunkert Valentin and Gasthaus Jan and Januschowski Tim},
journal= {arXiv preprint arXiv:2108.00981},
year = {2022}
}