基于双向先验模型的矢量量化时间序列生成
机器学习
2023-04-04 v3 人工智能
机器学习
摘要
时间序列生成（TSG）研究主要集中于使用生成对抗网络（GAN）结合循环神经网络（RNN）变体。然而，训练 GAN 的基本局限与挑战依然存在。此外，RNN 系列通常难以处理远距离时间步之间的时间一致性。受图像生成（IMG）领域成功的启发，我们提出了 TimeVQVAE，据我们所知，这是首个使用矢量量化（VQ）技术解决 TSG 问题的工作。此外，离散潜在空间的先验通过双向 transformer 模型学习，可更好地捕捉全局时间一致性。我们还提出了在时频域中进行 VQ 建模，分为低频（LF）与高频（HF）。这使我们能够保留时间序列的重要特征，进而生成质量更优、模块性变化更尖锐的新合成信号，优于其竞争的 TSG 方法。我们的实验评估在 UCR 档案的所有数据集上进行，使用了 IMG 文献中成熟的度量指标，如 Fréchet inception distance 与 inception scores。我们的 GitHub 实现：\url{https://github.com/ML4ITS/TimeVQVAE}。
引用
@article{arxiv.2303.04743,
title = {Vector Quantized Time Series Generation with a Bidirectional Prior Model},
author = {Daesoo Lee and Sara Malacarne and Erlend Aune},
journal= {arXiv preprint arXiv:2303.04743},
year = {2023}
}
备注
accepted at AISTATS 2023