Fugu-MT 論文翻訳(概要): Conditional GAN for timeseries generation

論文の概要: Conditional GAN for timeseries generation

arxiv url: http://arxiv.org/abs/2006.16477v1
Date: Tue, 30 Jun 2020 02:19:18 GMT
ステータス: 処理完了
システム内更新日: 2022-11-15 04:35:09.578098
Title: Conditional GAN for timeseries generation
Title（参考訳）: 時系列生成のための条件付きGAN
Authors: Kaleb E Smith, Anthony O Smith
Abstract要約: 実時間時系列データをモデル化するために,TSGAN(Time Series GAN)を提案する。ベンチマーク時系列データベースから,70データセット上でTSGANを評価する。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: It is abundantly clear that time dependent data is a vital source of information in the world. The challenge has been for applications in machine learning to gain access to a considerable amount of quality data needed for algorithm development and analysis. Modeling synthetic data using a Generative Adversarial Network (GAN) has been at the heart of providing a viable solution. Our work focuses on one dimensional times series and explores the few shot approach, which is the ability of an algorithm to perform well with limited data. This work attempts to ease the frustration by proposing a new architecture, Time Series GAN (TSGAN), to model realistic time series data. We evaluate TSGAN on 70 data sets from a benchmark time series database. Our results demonstrate that TSGAN performs better than the competition both quantitatively using the Frechet Inception Score (FID) metric, and qualitatively when classification is used as the evaluation criteria.
Abstract（参考訳）: 時間依存データが世界の重要な情報源であることは、非常に明白である。この課題は、機械学習のアプリケーションが、アルゴリズムの開発と分析に必要な大量の品質データにアクセスできるようにすることである。 GAN(Generative Adversarial Network)を用いた合成データのモデリングは,実現可能なソリューションの提供の中心にある。我々の研究は1次元の時系列に焦点をあて、限られたデータでアルゴリズムがうまく機能する数少ないショットアプローチを探究する。この研究は、現実的な時系列データをモデル化するために、新しいアーキテクチャであるTSGAN(Time Series GAN)を提案することで、フラストレーションを緩和しようとする。ベンチマーク時系列データベースから,70データセット上でTSGANを評価する。これらの結果から,TSGANはFrechet Inception Score(FID)の定量化と,評価基準として分類を用いる場合の定性化の両方において,競合よりも優れた性能を示した。

関連論文リスト

TimeLDM: Latent Diffusion Model for Unconditional Time Series Generation [2.4454605633840143]
時系列生成は意思決定システムにおいて重要な研究課題である。最近のアプローチでは、時系列情報をモデル化するために、データ空間での学習に焦点を当てている。高品質な時系列生成のための新しい遅延拡散モデルであるTimeLDMを提案する。
論文参考訳（メタデータ） (2024-07-05T01:47:20Z)
Generative Modeling of Regular and Irregular Time Series Data via Koopman VAEs [50.25683648762602]
モデルの新しい設計に基づく新しい生成フレームワークであるKoopman VAEを紹介する。クープマン理論に触発され、線形写像を用いて潜在条件事前力学を表現する。 KoVAEは、いくつかの挑戦的な合成および実世界の時系列生成ベンチマークにおいて、最先端のGANおよびVAEメソッドより優れている。
論文参考訳（メタデータ） (2023-10-04T07:14:43Z)
CausalTime: Realistically Generated Time-series for Benchmarking of Causal Discovery [14.092834149864514]
本研究では,実データに非常によく似た時系列を生成するためのCausalTimeパイプラインを紹介する。パイプラインは、特定のシナリオにおける実際の観察から始まり、一致するベンチマークデータセットを生成する。実験では, 定性的, 定量的な実験を行い, 既存のTSCDアルゴリズムのベンチマークを行った。
論文参考訳（メタデータ） (2023-10-03T02:29:19Z)
MADS: Modulated Auto-Decoding SIREN for time series imputation [9.673093148930874]
我々は,暗黙のニューラル表現に基づく時系列計算のための新しい自動デコードフレームワークMADSを提案する。実世界の2つのデータセット上で本モデルを評価し,時系列計算における最先端手法よりも優れていることを示す。
論文参考訳（メタデータ） (2023-07-03T09:08:47Z)
GAT-GAN : A Graph-Attention-based Time-Series Generative Adversarial Network [0.0]
我々はGAT-GAN(Graph-Attention-based Generative Adversarial Network)を提案する。 GAT-GANは、敵対的に訓練されたオートエンコーダアーキテクチャを用いて、高忠実度の時系列データを生成する。本稿では、Frechet Transformer distance(FTD)スコアと呼ばれる時系列データに対するFrechet Inception distance-like(FID)メトリクスを導入し、生成データの品質と多様性を評価する。
論文参考訳（メタデータ） (2023-06-03T04:23:49Z)
TSGM: A Flexible Framework for Generative Modeling of Synthetic Time Series [61.436361263605114]
時系列データは、研究者と産業組織間のデータの共有を妨げるため、しばしば不足または非常に敏感である。本稿では,合成時系列の生成モデリングのためのオープンソースフレームワークである時系列生成モデリング(TSGM)を紹介する。
論文参考訳（メタデータ） (2023-05-19T10:11:21Z)
Towards Generating Real-World Time Series Data [52.51620668470388]
時系列データ生成のための新しい生成フレームワーク - RTSGANを提案する。 RTSGANは、時系列インスタンスと固定次元潜在ベクトルの間のマッピングを提供するエンコーダデコーダモジュールを学習する。不足した値の時系列を生成するために、RTSGANに観測埋め込み層と決定・生成デコーダを更に装備する。
論文参考訳（メタデータ） (2021-11-16T11:31:37Z)
Networked Time Series Prediction with Incomplete Data [59.45358694862176]
我々は、歴史と未来の両方で欠落した値を持つ不完全なデータでトレーニングできる新しいディープラーニングフレームワークであるNetS-ImpGANを提案する。 3つの実世界のデータセットに対して、異なるパターンと欠落率で広範な実験を行う。
論文参考訳（メタデータ） (2021-10-05T18:20:42Z)
PSA-GAN: Progressive Self Attention GANs for Synthetic Time Series [0.0]
PSA-GAN(Generative Adversarial Network, GAN)は, 高品質な時系列サンプルを生成する。 PSA-GANは,実データのみを使用するベースライン上の2つの下流予測タスクにおいて,誤差を低減できることを示す。
論文参考訳（メタデータ） (2021-08-02T15:30:15Z)
TadGAN: Time Series Anomaly Detection Using Generative Adversarial Networks [73.01104041298031]
TadGANは、GAN(Generative Adversarial Networks)上に構築された教師なしの異常検出手法である。時系列の時間相関を捉えるために,ジェネレータと批評家のベースモデルとしてLSTMリカレントニューラルネットワークを用いる。提案手法の性能と一般化性を示すため,いくつかの異常スコアリング手法を検証し,最も適した手法を報告する。
論文参考訳（メタデータ） (2020-09-16T15:52:04Z)
DeGAN : Data-Enriching GAN for Retrieving Representative Samples from a Trained Classifier [58.979104709647295]
我々は、トレーニングされたネットワークの将来の学習タスクのために、利用可能なデータの豊富さと関連するデータの欠如の間のギャップを埋める。利用可能なデータは、元のトレーニングデータセットまたは関連するドメインデータセットの不均衡なサブセットである可能性があるため、代表サンプルを検索するために使用します。関連ドメインからのデータを活用して最先端のパフォーマンスを実現することを実証する。
論文参考訳（メタデータ） (2019-12-27T02:05:45Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。