論文の概要: TTS-GAN: A Transformer-based Time-Series Generative Adversarial Network

• arxiv url: http://arxiv.org/abs/2202.02691v1
• Date: Sun, 6 Feb 2022 03:05:47 GMT
• ステータス: 処理完了
• システム内更新日: 2022-02-08 14:16:42.162890
• Title: TTS-GAN: A Transformer-based Time-Series Generative Adversarial Network
• Title（参考訳）: tts-gan:transformerベースの時系列生成逆ネットワーク
• Authors: Xiaomin Li, Vangelis Metsis, Huangyingrui Wang, Anne Hee Hiong Ngu
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 4.989480853499916
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Signal measurements appearing in the form of time series are one of the most common types of data used in medical machine learning applications. However, such datasets are often small, making the training of deep neural network architectures ineffective. For time-series, the suite of data augmentation tricks we can use to expand the size of the dataset is limited by the need to maintain the basic properties of the signal. Data generated by a Generative Adversarial Network (GAN) can be utilized as another data augmentation tool. RNN-based GANs suffer from the fact that they cannot effectively model long sequences of data points with irregular temporal relations. To tackle these problems, we introduce TTS-GAN, a transformer-based GAN which can successfully generate realistic synthetic time-series data sequences of arbitrary length, similar to the real ones. Both the generator and discriminator networks of the GAN model are built using a pure transformer encoder architecture. We use visualizations and dimensionality reduction techniques to demonstrate the similarity of real and generated time-series data. We also compare the quality of our generated data with the best existing alternative, which is an RNN-based time-series GAN.
• Abstract（参考訳）: 時系列の形で現れる信号測定は、医学的機械学習のアプリケーションで使われる最も一般的なデータの1つである。 しかし、そのようなデータセットはしばしば小さく、ディープニューラルネットワークアーキテクチャのトレーニングを非効率にする。 時系列では、データセットのサイズを拡大するために使用できる一連のデータ拡張トリックは、信号の基本特性を維持する必要性によって制限されます。 generative adversarial network (gan) によって生成されたデータは、別のデータ拡張ツールとして利用できる。 RNNベースのGANは、不規則な時間的関係を持つデータポイントの長いシーケンスを効果的にモデル化できないという事実に悩まされる。 これらの問題に対処するために,変換器をベースとしたGANであるTS-GANを導入し,任意の長さのリアルな合成時系列データ列を生成する。 GANモデルのジェネレータと識別器ネットワークは、純粋なトランスフォーマーエンコーダアーキテクチャを用いて構築されている。 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。 また、生成されたデータの品質を、RNNベースの時系列GANである最良の代替手段と比較する。

関連論文リスト

• TransFusion: Generating Long, High Fidelity Time Series using Diffusion Models with Transformers [3.2623791881739033]
  本研究では,高品質な時系列時系列データを生成するための拡散・変圧器に基づく生成モデルであるTransFusionを提案する。 配列長を384に拡張し,高品質な合成データを生成した。
  論文  参考訳（メタデータ） (2023-07-24T10:14:51Z)
• 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)
• LD-GAN: Low-Dimensional Generative Adversarial Network for Spectral Image Generation with Variance Regularization [72.4394510913927]
  ディープラーニング法はスペクトル画像(SI)計算タスクの最先端技術である。 GANは、データ分散から学習およびサンプリングすることで、多様な拡張を可能にする。 この種のデータの高次元性は、GANトレーニングの収束を妨げるため、GANベースのSI生成は困難である。 本稿では, オートエンコーダ訓練における低次元表現分散を制御し, GANで生成されたサンプルの多様性を高めるための統計正則化を提案する。
  論文  参考訳（メタデータ） (2023-04-29T00:25:02Z)
• HyperTime: Implicit Neural Representation for Time Series [131.57172578210256]
  暗黙の神経表現(INR)は、データの正確で解像度に依存しないエンコーディングを提供する強力なツールとして最近登場した。 本稿では、INRを用いて時系列の表現を分析し、再構成精度とトレーニング収束速度の点で異なるアクティベーション関数を比較した。 本稿では,INRを利用して時系列データセット全体の圧縮潜在表現を学習するハイパーネットワークアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2022-08-11T14:05:51Z)
• TTS-CGAN: A Transformer Time-Series Conditional GAN for Biosignal Data Augmentation [5.607676459156789]
  我々は,既存のマルチクラスデータセットに基づいて学習し,クラス固有の合成時系列列を生成する条件付きGANモデルであるTS-CGANを提案する。 我々のモデルによって生成された合成シーケンスは、実データとは区別できないため、同じタイプの実信号の補完や置換に使うことができる。
  論文  参考訳（メタデータ） (2022-06-28T01:01:34Z)
• 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)
• Deep Transformer Networks for Time Series Classification: The NPP Safety Case [59.20947681019466]
  時間依存nppシミュレーションデータをモデル化するために、教師付き学習方法でトランスフォーマと呼ばれる高度なテンポラルニューラルネットワークを使用する。 トランスはシーケンシャルデータの特性を学習し、テストデータセット上で約99%の分類精度で有望な性能が得られる。
  論文  参考訳（メタデータ） (2021-04-09T14:26:25Z)
• Deep Cellular Recurrent Network for Efficient Analysis of Time-Series Data with Spatial Information [52.635997570873194]
  本研究では,空間情報を用いた複雑な多次元時系列データを処理するための新しいディープセルリカレントニューラルネットワーク(DCRNN)アーキテクチャを提案する。 提案するアーキテクチャは,文献に比較して,学習可能なパラメータをかなり少なくしつつ,最先端の性能を実現している。
  論文  参考訳（メタデータ） (2021-01-12T20:08:18Z)

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。

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。