Fugu-MT 論文翻訳(概要): PSA-GAN: Progressive Self Attention GANs for Synthetic Time Series

論文の概要: PSA-GAN: Progressive Self Attention GANs for Synthetic Time Series

arxiv url: http://arxiv.org/abs/2108.00981v1
Date: Mon, 2 Aug 2021 15:30:15 GMT
ステータス: 処理完了
システム内更新日: 2021-08-03 15:11:03.455924
Title: PSA-GAN: Progressive Self Attention GANs for Synthetic Time Series
Title（参考訳）: PSA-GAN: 時系列合成のためのプログレッシブセルフアテンションGAN
Authors: Jeha Paul, Bohlke-Schneider Michael, Mercado Pedro, Singh Nirwan Rajbir, Kapoor Shubham, Flunkert Valentin, Gasthaus Jan, Januschowski Tim
Abstract要約: 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。
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: Realistic synthetic time series data of sufficient length enables practical applications in time series modeling tasks, such as forecasting, but remains a challenge. In this paper we present PSA-GAN, a generative adversarial network (GAN) that generates long time series samples of high quality using progressive growing of GANs and self-attention. We show that PSA-GAN can be used to reduce the error in two downstream forecasting tasks over baselines that only use real data. We also introduce a Frechet-Inception Distance-like score, Context-FID, assessing the quality of synthetic time series samples. In our downstream tasks, we find that the lowest scoring models correspond to the best-performing ones. Therefore, Context-FID could be a useful tool to develop time series GAN models.
Abstract（参考訳）: 十分な長さのリアルな合成時系列データは、予測などの時系列モデリングタスクに実用的な応用を可能にするが、依然として課題である。本稿では,GAN(Generative Adversarial Network, GAN)を用いて, GANの進行的成長と自己注意を用いて, 高品質の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。また、Frechet-Inception Distance-like scoreであるContext-FIDを導入し、合成時系列サンプルの品質を評価する。下流のタスクでは、最も低いスコアリングモデルは最もパフォーマンスの高いものに対応しています。したがって、Context-FIDは時系列GANモデルを開発するのに役立つ。

関連論文リスト

Tackling Data Heterogeneity in Federated Time Series Forecasting [61.021413959988216]
時系列予測は、エネルギー消費予測、病気の伝染モニタリング、天気予報など、様々な実世界の応用において重要な役割を果たす。既存のほとんどのメソッドは、分散デバイスから中央クラウドサーバに大量のデータを収集する、集中的なトレーニングパラダイムに依存しています。本稿では,情報合成データを補助的知識キャリアとして生成することにより,データの均一性に対処する新しいフレームワークであるFed-TRENDを提案する。
論文参考訳（メタデータ） (2024-11-24T04:56:45Z)
Generating Fine-Grained Causality in Climate Time Series Data for Forecasting and Anomaly Detection [67.40407388422514]
我々は、TBN Granger Causalityという概念的微粒因果モデルを設計する。次に, TBN Granger Causality を生成的に発見する TacSas という, エンドツーエンドの深部生成モデルを提案する。気候予報のための気候指標ERA5と、極度気象警報のためのNOAAの極端気象基準でTacSasを試験する。
論文参考訳（メタデータ） (2024-08-08T06:47:21Z)
Timer: Generative Pre-trained Transformers Are Large Time Series Models [83.03091523806668]
本稿では,大規模時系列モデル(LTSM)の早期開発を目的とした。事前トレーニング中に、最大10億のタイムポイントを持つ大規模なデータセットをキュレートします。多様なアプリケーションのニーズを満たすため,予測,計算,時系列の異常検出を統一的な生成タスクに変換する。
論文参考訳（メタデータ） (2024-02-04T06:55:55Z)
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)
A Distance Correlation-Based Approach to Characterize the Effectiveness of Recurrent Neural Networks for Time Series Forecasting [1.9950682531209158]
距離相関の多元的指標を用いて,RNN成分と時系列特性をリンクする手法を提案する。 RNN活性化層が時系列のラグ構造をよく学習していることを実証的に示す。また,アクティベーション層は移動平均およびヘテロスケダティック時系列過程を適切にモデル化できないことを示す。
論文参考訳（メタデータ） (2023-07-28T22:32:08Z)
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)
Data-Driven Modeling of Noise Time Series with Convolutional Generative Adversarial Networks [0.456877715768796]
データ駆動型モデリングにおけるGAN(Generative Adversarial Network)に対する近年の関心を考えると、GANがターゲットデータセットのノイズを忠実に再現できる範囲を決定することが重要である。我々は,この問題を時系列に光を当てることを目的とした実証的研究を提示する。 GANは様々なノイズタイプを学習できるが、GANアーキテクチャがノイズのいくつかの側面に適していない場合、予測に苦戦する。
論文参考訳（メタデータ） (2022-07-03T20:07:00Z)
TTS-GAN: A Transformer-based Time-Series Generative Adversarial Network [4.989480853499916]
時系列データは、医療機械学習アプリケーションで使用される最も一般的なタイプのデータの1つである。本稿では,現実的な合成時系列データ列を生成可能な変換器ベースのGANであるTS-GANを紹介する。実時間と生成した時系列データの類似性を実証するために,可視化と次元削減技術を用いている。
論文参考訳（メタデータ） (2022-02-06T03:05:47Z)
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)
Learning summary features of time series for likelihood free inference [93.08098361687722]
時系列データから要約機能を自動的に学習するためのデータ駆動型戦略を提案する。以上の結果から,データから要約的特徴を学習することで,手作りの値に基づいてLFI手法よりも優れる可能性が示唆された。
論文参考訳（メタデータ） (2020-12-04T19:21:37Z)
Conditional GAN for timeseries generation [0.0]
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。
論文参考訳（メタデータ） (2020-06-30T02:19:18Z)

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。