面向时间序列数据的生成对抗网络可视化评估
机器学习
2020-01-03 v1 人机交互
图像与视频处理
摘要
信任机器学习(ML)算法决策的一个关键因素是训练数据集对其应用领域具有良好的代表性。当部分训练数据被人为生成以克服常见的训练问题（如数据缺乏或数据集不平衡）时，这一点尤为真切。过去几年中，生成对抗网络(GANs)在生成逼真数据方面取得了显著成果。然而，这种机器学习方法缺乏用于评估生成数据质量的客观函数。众多GAN应用聚焦于生成图像数据，主要因为这类数据可由人眼轻松评估。在生成时间序列数据方面所做的努力较少。评估其质量更为复杂，尤其对于技术数据。本文中，我们提出一种以人为中心的方法，借助可视化分析(VA)技术辅助ML或领域专家完成该任务。所提方法由两个视图组成，即展示生成过程中真实与生成数据间相似性度量的GAN迭代视图，以及配备TimeHistograms等不同时间序列可视化以比较不同迭代步生成数据的详细比较视图。用户可从GAN迭代视图出发，选择合适的迭代步进行详细检视。我们通过一个使用场景评估了该方法，其实现了两种不同GAN模型的高效比较。
引用
@article{arxiv.2001.00062,
title = {Visual Evaluation of Generative Adversarial Networks for Time Series Data},
author = {Hiba Arnout and Johannes Kehrer and Johanna Bronner and Thomas Runkler},
journal= {arXiv preprint arXiv:2001.00062},
year = {2020}
}
备注
To appear in the Proceedings of the Human-Centered AI: Trustworthiness of AI Models & Data (HAI) track at AAAI Fall Symposium, DC, November 7-9, 2019