使用注意力与对抗训练的多变量时间序列表示学习
机器学习
2024-12-12 v2
摘要
可信机器学习的一个关键因素是训练数据的鲁棒表示。只有在这种保证下，方法才能合法地人工生成数据，例如，以应对不平衡数据集或为黑箱决策系统提供反事实解释。近年来，生成对抗网络(GAN)在形成稳定表示和生成逼真数据方面取得了显著成果。虽然许多应用侧重于生成图像数据，但在生成时间序列数据（尤其是多变量信号）方面的努力较少。在这项工作中，我们提出了一种基于Transformer的自编码器，通过对抗训练方案进行正则化，以生成人工多变量时间序列信号。使用t-SNE可视化、动态时间规整(DTW)和熵分数对表示进行评估。我们的结果表明，与使用卷积网络方法相比，生成的信号与示例数据集具有更高的相似性。
引用
@article{arxiv.2401.01987,
title = {Representation Learning of Multivariate Time Series using Attention and Adversarial Training},
author = {Leon Scharwächter and Sebastian Otte},
journal= {arXiv preprint arXiv:2401.01987},
year = {2024}
}