論文の概要: Conditional Versus Adversarial Euler-based Generators For Time Series
- arxiv url: http://arxiv.org/abs/2102.05313v1
- Date: Wed, 10 Feb 2021 08:18:35 GMT
- ステータス: 処理完了
- システム内更新日: 2021-02-11 14:40:06.136157
- Title: Conditional Versus Adversarial Euler-based Generators For Time Series
- Title(参考訳): 時系列用条件付きeuler-based generators
- Authors: Carl Remlinger, Joseph Mikael, Romuald Elie
- Abstract要約: オイラー離散化に基づく時系列の新しい生成モデルを提案する。
テストでは、オイラーの離散化とワッサーシュタイン距離の使用により、提案されたGANと(よりかなり)CEGENが、最先端のTime Series GAN生成より優れていることを示す。
- 参考スコア(独自算出の注目度): 2.2344764434954256
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We introduce new generative models for time series based on Euler
discretization that do not require any pre-stationarization procedure.
Specifically, we develop two GAN based methods, relying on the adaptation of
Wasserstein GANs (Arjovsky et al., 2017) and DVD GANs (Clark et al., 2019b) to
time series. Alternatively, we consider a conditional Euler Generator (CEGEN)
minimizing a distance between the induced conditional densities. In the context
of It\^o processes, we theoretically validate this approach and demonstrate
using the Bures metric that reaching a low loss level provides accurate
estimations for both the drift and the volatility terms of the underlying
process. Tests on simple models show how the Euler discretization and the use
of Wasserstein distance allow the proposed GANs and (more considerably) CEGEN
to outperform state-of-the-art Time Series GAN generation( Yoon et al., 2019b)
on time structure metrics. In higher dimensions we observe that CEGEN manages
to get the correct covariance structures. Finally we illustrate how our model
can be combined to a Monte Carlo simulator in a low data context by using a
transfer learning technique
- Abstract(参考訳): 事前定常化処理を必要としないオイラー離散に基づく時系列の新たな生成モデルを紹介します。
具体的には,Warsserstein GANs (Arjovsky et al., 2017) と DVD GANs (Clark et al., 2019b) の時系列化による2つのGANベースの手法を開発した。
あるいは、誘導条件密度間の距離を最小限に抑える条件付きオイラー発生器(CEGEN)を検討する。
it\^oプロセスの文脈では、理論的にこのアプローチを検証し、低損失レベルに達するとドリフトとボラティリティ項の両方の正確な推定が得られるというバーズ計量を用いて実演する。
単純なモデルのテストでは、オイラーの離散化とWasserstein距離の使用により、提案されたGANと(よりかなり)CEGENが、時間構造メトリクスで最先端のTime Series GAN生成(Yon et al., 2019b)を上回る方法を示しています。
より高次元では、CEGENが正しい共分散構造を得るのを観察する。
最後に、転送学習技術を使用して、私たちのモデルを低データコンテキストでモンテカルロシミュレータと組み合わせる方法を説明します。
関連論文リスト
- Generative Modeling of Regular and Irregular Time Series Data via
Koopman VAEs [53.91784369229405]
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。
以上の結果から,KVAEは,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法およびVAE法よりも優れていた。
論文 参考訳(メタデータ) (2023-10-04T07:14:43Z) - Generative Modelling of L\'{e}vy Area for High Order SDE Simulation [5.9535699822923]
L'evyGANはブラウン増分に基づくL'evy領域の近似サンプルを生成するディープラーニングモデルである。
L'evyGANは関節分布と辺縁分布の両方を測定するいくつかの指標で最先端のパフォーマンスを示す。
論文 参考訳(メタデータ) (2023-08-04T16:38:37Z) - A New Paradigm for Generative Adversarial Networks based on Randomized
Decision Rules [8.36840154574354]
Generative Adversarial Network (GAN)は、最近、生成モデルをトレーニングするための新しい機械学習手法として文献で紹介されている。
非パラメトリッククラスタリングや非パラメトリック条件独立テストのような統計学に多くの応用がある。
本稿では,GANがこの問題に苦しむ理由を特定し,それに対応するために,ランダム化決定規則に基づく新しいGANの定式化を提案する。
論文 参考訳(メタデータ) (2023-06-23T17:50:34Z) - Generative modeling for time series via Schr{\"o}dinger bridge [0.0]
本稿では,SB (Schr'dinger Bridge) に基づく時系列生成モデルを提案する。
これは、経路空間上の基準確率測度と、時系列の合同データ分布と整合した目標測度との間の最適輸送によるエントロピックから構成される。
論文 参考訳(メタデータ) (2023-04-11T09:45:06Z) - Neural Inference of Gaussian Processes for Time Series Data of Quasars [72.79083473275742]
クエーサースペクトルを完全に記述できる新しいモデルを提案する。
また、$textitNeural Inference$というガウス的プロセスパラメータの推論の新しいメソッドも導入しています。
CDRWモデルとNeural Inferenceの組み合わせはベースラインのDRWとMLEを大きく上回っている。
論文 参考訳(メタデータ) (2022-11-17T13:01:26Z) - Riemannian Score-Based Generative Modeling [56.20669989459281]
経験的性能を示すスコアベース生成モデル(SGM)を紹介する。
現在のSGMは、そのデータが平坦な幾何学を持つユークリッド多様体上で支えられているという前提を定めている。
これにより、ロボット工学、地球科学、タンパク質モデリングの応用にこれらのモデルを使用することができない。
論文 参考訳(メタデータ) (2022-02-06T11:57:39Z) - Online Time Series Anomaly Detection with State Space Gaussian Processes [12.483273106706623]
R-ssGPFAは、一様および多変量時系列の教師なしオンライン異常検出モデルである。
高次元時系列に対して、時系列の一般的な潜伏過程を特定するためにガウス過程因子解析の拡張を提案する。
異常観測時にカルマン更新をスキップすることで,モデルの堅牢性を向上させる。
論文 参考訳(メタデータ) (2022-01-18T06:43:32Z) - Sig-Wasserstein GANs for Time Series Generation [1.0439136407307046]
我々は,連続時間モデルと新たに提案された署名$W$メトリックを組み合わせることで,高忠実度時系列生成器SigWGANを開発した。
SigWGAN は、挑戦的な GAN min-max 問題を高忠実度サンプルを生成しながら教師付き学習に変換することができる。
論文 参考訳(メタデータ) (2021-11-01T19:01:16Z) - Finding Geometric Models by Clustering in the Consensus Space [61.65661010039768]
本稿では,未知数の幾何学的モデル,例えばホモグラフィーを求めるアルゴリズムを提案する。
複数の幾何モデルを用いることで精度が向上するアプリケーションをいくつか提示する。
これには、複数の一般化されたホモグラフからのポーズ推定、高速移動物体の軌道推定が含まれる。
論文 参考訳(メタデータ) (2021-03-25T14:35:07Z) - Conditional Hybrid GAN for Sequence Generation [56.67961004064029]
本稿では,この問題を解決するための条件付きハイブリッドGAN(C-Hybrid-GAN)を提案する。
我々はGumbel-Softmax法を利用して離散値列の分布を近似する。
提案したC-Hybrid-GANは、文脈条件付き離散値シーケンス生成において既存の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) (2020-09-18T03:52:55Z) - Discriminator Contrastive Divergence: Semi-Amortized Generative Modeling
by Exploring Energy of the Discriminator [85.68825725223873]
GAN(Generative Adversarial Networks)は、高次元データのモデリングにおいて大きな可能性を秘めている。
本稿では,WGANの識別器の特性を活かした識別器コントラストの多様性について紹介する。
我々は、合成データと実世界の画像生成ベンチマークの両方において、大幅に改善された生成の利点を実証する。
論文 参考訳(メタデータ) (2020-04-05T01:50:16Z)
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。