SeriesGAN：基于对抗与自回归学习的时间序列生成

当前基于生成对抗网络（GAN）的时间序列生成方法面临次优收敛、嵌入空间信息丢失和不稳定性等挑战。为克服这些挑战，我们引入了一个先进框架，该框架融合了自编码器生成的嵌入空间与 GAN 的对抗训练动态的优势。该方法采用两个判别器：一个专门指导生成器，另一个用于精炼自编码器和生成器的输出。此外，我们的框架还整合了一种新颖的基于自编码器的损失函数，以及来自教师强制监督网络的监督，该网络捕获数据的逐步条件分布。生成器在潜在空间中运行，而两个判别器分别在潜在空间和特征空间上工作，为生成器和自编码器提供关键反馈。通过利用这种双判别器方法，我们最小化了嵌入空间中的信息损失。通过联合训练，我们的框架擅长生成高保真时间序列数据，在一系列真实和合成的多元时间序列数据集上，定性和定量地持续优于现有最先进的基准。