SPATE-GAN：基于自回归嵌入损失改进动态时空模式的生成建模
机器学习
2021-10-01 v1 计算机视觉与模式识别
摘要
从生态学到大气科学，许多学科都涉及具有复杂时空特征的数据，其建模通常需要专门的方法。这些数据的生成模型尤为引人关注，因为它们支持一系列有影响的下游应用，如仿真或创建合成训练数据。近期工作凸显了生成对抗网络（GANs）在生成时空数据方面的潜力。为更好应对该挑战，受因果最优传输（COT）理论启发，提出了一种新的 GAN 算法 COT-GAN。然而，学习更复杂的时空模式任务需要额外了解其特定数据结构。在本研究中，我们提出一种结合 COT-GAN 的新型损失目标，基于自回归嵌入以强化时空动态的学习。我们设计了 SPATE（时空关联），一种利用观测值与其期望值的偏差来衡量时空自相关的新度量。我们对真实和合成数据样本计算 SPATE，并用其计算考虑时空交互的嵌入损失，引导 GAN 学习忠实于观测动态的输出。我们在一组多样的复杂时空模式上测试了这一新目标：湍流流、对数高斯 Cox 过程以及全球气象数据。我们表明，在不改变 COT-GAN 主干架构的情况下，我们的新型嵌入损失提升了性能，凸显了我们的模型在捕捉自回归结构方面增强的能力。我们还将我们的工作与物理信息深度学习的近期进展以及连接神经网络与地理和地球物理科学的跨学科工作相联系。
引用
@article{arxiv.2109.15044,
title = {SPATE-GAN: Improved Generative Modeling of Dynamic Spatio-Temporal Patterns with an Autoregressive Embedding Loss},
author = {Konstantin Klemmer and Tianlin Xu and Beatrice Acciaio and Daniel B. Neill},
journal= {arXiv preprint arXiv:2109.15044},
year = {2021}
}