論文の概要: Sig-Wasserstein GANs for Time Series Generation

• arxiv url: http://arxiv.org/abs/2111.01207v1
• Date: Mon, 1 Nov 2021 19:01:16 GMT
• ステータス: 処理完了
• システム内更新日: 2021-11-03 14:03:55.484806
• Title: Sig-Wasserstein GANs for Time Series Generation
• Title（参考訳）: 時系列生成のためのSig-Wasserstein GANs
• Authors: Hao Ni, Lukasz Szpruch, Marc Sabate-Vidales, Baoren Xiao, Magnus Wiese, Shujian Liao
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 1.0439136407307046
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Synthetic data is an emerging technology that can significantly accelerate the development and deployment of AI machine learning pipelines. In this work, we develop high-fidelity time-series generators, the SigWGAN, by combining continuous-time stochastic models with the newly proposed signature $W_1$ metric. The former are the Logsig-RNN models based on the stochastic differential equations, whereas the latter originates from the universal and principled mathematical features to characterize the measure induced by time series. SigWGAN allows turning computationally challenging GAN min-max problem into supervised learning while generating high fidelity samples. We validate the proposed model on both synthetic data generated by popular quantitative risk models and empirical financial data. Codes are available at https://github.com/SigCGANs/Sig-Wasserstein-GANs.git.
• Abstract（参考訳）: 合成データ(Synthetic data)は、AI機械学習パイプラインの開発とデプロイを著しく加速する新興技術である。 本研究では,連続時間確率モデルと新たに提案された$w_1$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。 前者は確率微分方程式に基づくLogsig-RNNモデルであり、後者は時系列によって誘導される測度を特徴づける普遍的および原理的な数学的特徴に由来する。 SigWGAN は計算的に挑戦する GAN min-max 問題を高忠実度サンプルを生成しながら教師あり学習に変換することができる。 一般的な量的リスクモデルと経験的金融データから得られた合成データから,提案モデルを検証する。 コードはhttps://github.com/sigcgans/sig-wasserstein-gans.gitで入手できる。

関連論文リスト

• 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)
• 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)
• Synthetic data, real errors: how (not) to publish and use synthetic data [86.65594304109567]
  生成過程が下流MLタスクにどのように影響するかを示す。 本稿では、生成プロセスモデルパラメータの後方分布を近似するために、Deep Generative Ensemble (DGE)を導入する。
  論文  参考訳（メタデータ） (2023-05-16T07:30:29Z)
• Generative time series models using Neural ODE in Variational Autoencoders [0.0]
  生成時系列モデリングのための変分オートエンコーダ設定にニューラル正規微分方程式を実装した。 開発と研究を容易にするために、コードに対するオブジェクト指向のアプローチが採られた。
  論文  参考訳（メタデータ） (2022-01-12T14:38:11Z)
• 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)
• Inferential Wasserstein Generative Adversarial Networks [9.859829604054127]
  自動エンコーダとWGANを融合する原理的フレームワークである新しい推論ワッサースタインGAN(iWGAN)モデルを導入する。 iWGANはモード崩壊の症状を大幅に緩和し、収束を高速化し、各サンプルの品質チェックの測定を行うことができる。
  論文  参考訳（メタデータ） (2021-09-13T00:43:21Z)
• Continual Learning with Fully Probabilistic Models [70.3497683558609]
  機械学習の完全確率的(または生成的)モデルに基づく継続的学習のアプローチを提案する。 生成器と分類器の両方に対してガウス混合モデル(GMM)インスタンスを用いた擬似リハーサル手法を提案する。 我々は,GMRが,クラス増分学習問題に対して,非常に競合的な時間とメモリの複雑さで,最先端のパフォーマンスを達成することを示す。
  論文  参考訳（メタデータ） (2021-04-19T12:26:26Z)
• Conditional Versus Adversarial Euler-based Generators For Time Series [2.2344764434954256]
  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。
  論文  参考訳（メタデータ） (2021-02-10T08:18:35Z)
• Conditional Sig-Wasserstein GANs for Time Series Generation [8.593063679921109]
  GAN(Generative Adversarial Network)は、高次元の確率測度からサンプルを生成するのに非常に成功した。 これらの手法は時系列データによって誘導される関節確率分布の時間的依存を捉えるのに苦労する。 時系列データストリームはターゲット空間の次元を大幅に増加させ、生成的モデリングが不可能になる可能性がある。 本稿では,Wasserstein-GANを数学的原理と効率的な経路特徴抽出と統合した汎用条件付きSig-WGANフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-06-09T17:38:55Z)
• Learning Gaussian Graphical Models via Multiplicative Weights [54.252053139374205]
  乗算重み更新法に基づいて,Klivans と Meka のアルゴリズムを適用した。 アルゴリズムは、文献の他のものと質的に類似したサンプル複雑性境界を楽しみます。 ランタイムが低い$O(mp2)$で、$m$サンプルと$p$ノードの場合には、簡単にオンライン形式で実装できる。
  論文  参考訳（メタデータ） (2020-02-20T10:50:58Z)

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。