T-CGAN：用于不规则采样含噪时间序列数据增强的条件生成对抗网络
机器学习
2019-02-04 v2 机器学习
摘要
本文提出一种针对不规则采样时间序列的数据增强方法——时间条件生成对抗网络（T-CGAN）。我们的方法基于条件生成对抗网络（CGAN），其中生成步骤由反卷积神经网络实现，判别步骤由卷积神经网络实现。生成器与判别器均以采样时间戳为条件，以学习数据与时间戳之间的隐藏关系，进而生成新的时间序列。我们使用合成与真实世界数据集评估模型。对于合成数据，我们比较了在 T-CGAN 生成数据上训练的分类器与在原始数据上训练的同类分类器的性能。结果表明，即便在极短时间序列和小型训练集下，在 T-CGAN 生成数据上训练的分类器性能也与在真实数据上训练的分类器相当。对于真实世界数据集，我们针对不平衡数据集上的分类问题，将本方法与时间序列的其他数据增强技术（如时间切片与时间扭曲）进行比较。结果表明，无论规则采样还是不规则采样时间序列，本方法均优于其他方法。在小型训练集和短、含噪、不规则采样时间序列的情况下，我们取得了尤为良好的性能。
引用
@article{arxiv.1811.08295,
title = {T-CGAN: Conditional Generative Adversarial Network for Data Augmentation in Noisy Time Series with Irregular Sampling},
author = {Giorgia Ramponi and Pavlos Protopapas and Marco Brambilla and Ryan Janssen},
journal= {arXiv preprint arXiv:1811.08295},
year = {2019}
}