基于 Transformer 的条件生成对抗网络用于多元时间序列生成
机器学习
2022-10-06 v1 人工智能
摘要
时间相关数据的条件生成是一项备受关注的任务，无论用于数据增强、场景模拟、缺失数据补全还是其他目的。近期工作提出了基于 Transformer 的时间序列生成对抗网络（TTS-GAN）以克服循环神经网络的局限性。然而，该模型假设单模态分布，并试图在真实数据分布的期望附近生成样本。其局限性之一在于可能生成随机的多元时间序列；当整体分布内存在多个子成分时，它可能无法生成样本。人们可以分别训练模型以拟合每个子成分来克服此局限。我们的工作扩展了 TTS-GAN，将其生成输出条件化于特定编码上下文，从而允许使用单一模型拟合具有多个子成分的混合分布。从技术上讲，它是一个条件生成对抗网络（CGAN），在不同类型条件（如类别变量或多元时间序列）下对逼真的多元时间序列建模。我们在 UniMiB 数据集上评估我们的模型，该数据集包含使用智能手机采集的遵循人体活动 XYZ 轴的加速度数据。我们采用定性评估和主成分分析（PCA）等定量指标，并引入 Frechet inception distance（FID）的改进版本来衡量模型性能以及生成数据与真实数据分布之间的统计相似性。我们表明，这种基于 Transformer 的 CGAN 能够在不同条件下生成逼真的高维长数据序列。
引用
@article{arxiv.2210.02089,
title = {Transformer-based conditional generative adversarial network for multivariate time series generation},
author = {Abdellah Madane and Mohamed-djallel Dilmi and Florent Forest and Hanane Azzag and Mustapha Lebbah and Jerome Lacaille},
journal= {arXiv preprint arXiv:2210.02089},
year = {2022}
}