利用循环条件GAN的实值（医疗）时间序列生成
机器学习
2017-12-05 v2 机器学习
摘要
生成对抗网络(GANs)作为一种训练模型以产生逼真数据的框架已显示出显著成功。在这项工作中，我们提出循环GAN(RGAN)和循环条件GAN(RCGAN)来产生逼真的实值多维时间序列，重点强调其在医疗数据上的应用。RGANs在生成器和判别器中使用循环神经网络。在RCGANs的情况下，这两个RNN都以辅助信息为条件。我们通过一组玩具数据集展示我们的模型，其中我们通过视觉和定量（使用样本似然和最大均值差异）表明它们可以成功生成逼真的时间序列。我们还描述了GANs的新评估方法，其中我们生成合成标记训练数据集，并在真实测试集上评估在合成数据上训练的模型的性能，反之亦然。我们用这些度量说明RCGANs可以生成可用于监督训练的时间序列数据，在真实测试数据上性能仅有轻微下降。这在从“序列化”MNIST的数字分类以及通过在来自重症监护病房的17,000名患者的医疗数据集上训练早期预警系统得到证明。我们进一步讨论和分析使用RCGANs生成逼真合成医疗时间序列数据可能出现的隐私问题。
引用
@article{arxiv.1706.02633,
title = {Real-valued (Medical) Time Series Generation with Recurrent Conditional GANs},
author = {Cristóbal Esteban and Stephanie L. Hyland and Gunnar Rätsch},
journal= {arXiv preprint arXiv:1706.02633},
year = {2017}
}
备注
13 pages, 4 figures, 3 tables (update with differential privacy)