zGAN：用于生成逼真合成数据的以异常值为中心的生成对抗网络
机器学习
2024-10-30 v2
摘要
“黑天鹅”现象对经典机器学习模型的性能构成了根本性挑战。异常值条件发生频率的显著增加，尤其是在后疫情时代，使得探索将合成数据作为模型训练中真实数据的补充成为必然。本文对为生成具有异常值特征的合成表格数据而开发的 zGAN 模型架构进行了全面概述和实验研究。该模型在二分类环境中进行了测试，并在逼真合成数据生成方面显示出有希望的结果，以及在模型性能方面的提升能力。zGAN 的一个显著特征是其增强了生成数据中特征之间的相关性，复制了真实训练数据中特征的相关性。此外，zGAN 能够基于真实数据的协方差或合成生成的协方差来生成异常值，这一点至关重要。这种异常值生成方法能够对复杂经济事件进行建模，并为训练预测模型以及检测、处理或移除异常值等任务增强异常值。作为本研究一部分的实验和比较分析是在私有（金融服务中的信用风险）和公共数据集上进行的。
引用
@article{arxiv.2410.20808,
title = {zGAN: An Outlier-focused Generative Adversarial Network For Realistic Synthetic Data Generation},
author = {Azizjon Azimi and Bonu Boboeva and Ilyas Varshavskiy and Shuhrat Khalilbekov and Akhlitdin Nizamitdinov and Najima Noyoftova and Sergey Shulgin},
journal= {arXiv preprint arXiv:2410.20808},
year = {2024}
}