論文の概要: PCF-GAN: generating sequential data via the characteristic function of
measures on the path space
- arxiv url: http://arxiv.org/abs/2305.12511v1
- Date: Sun, 21 May 2023 17:05:03 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-23 19:53:40.202105
- Title: PCF-GAN: generating sequential data via the characteristic function of
measures on the path space
- Title(参考訳): PCF-GAN:経路空間上の測度の特徴関数による逐次データ生成
- Authors: Hang Lou, Siran Li, Hao Ni
- Abstract要約: PCF-GANは、時系列分布の原理的表現としてパス特性関数(PCF)を識別器に組み込んだ新しいGANである。
我々は,PCF-GANが生成品質と復元品質の両方において,最先端のベースラインを一貫して上回っていることを示す。
- 参考スコア(独自算出の注目度): 1.6114012813668934
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Generating high-fidelity time series data using generative adversarial
networks (GANs) remains a challenging task, as it is difficult to capture the
temporal dependence of joint probability distributions induced by time-series
data. Towards this goal, a key step is the development of an effective
discriminator to distinguish between time series distributions. We propose the
so-called PCF-GAN, a novel GAN that incorporates the path characteristic
function (PCF) as the principled representation of time series distribution
into the discriminator to enhance its generative performance. On the one hand,
we establish theoretical foundations of the PCF distance by proving its
characteristicity, boundedness, differentiability with respect to generator
parameters, and weak continuity, which ensure the stability and feasibility of
training the PCF-GAN. On the other hand, we design efficient initialisation and
optimisation schemes for PCFs to strengthen the discriminative power and
accelerate training efficiency. To further boost the capabilities of complex
time series generation, we integrate the auto-encoder structure via sequential
embedding into the PCF-GAN, which provides additional reconstruction
functionality. Extensive numerical experiments on various datasets demonstrate
the consistently superior performance of PCF-GAN over state-of-the-art
baselines, in both generation and reconstruction quality. Code is available at
https://github.com/DeepIntoStreams/PCF-GAN.
- Abstract(参考訳): 時系列データによる連立確率分布の時間的依存性の把握が困難であるため, GANを用いた高忠実度時系列データの生成は依然として困難な課題である。
この目標に向けて重要なステップは、時系列分布を区別する効果的な識別器の開発である。
そこで本研究では,経路特性関数(PCF)を時系列分布の原理表現として組み込んだ新しいGANであるPCF-GANを提案する。
一方,PCF-GANの訓練の安定性と実現性を保証するため,その特性,境界性,ジェネレータパラメータに対する微分可能性,および弱い連続性を証明し,PCF距離の理論的基礎を確立する。
一方,PCFの識別能力を高め,学習効率を向上する効率的な初期化と最適化手法を設計する。
複雑な時系列生成機能をさらに強化するため,PCF-GANへの逐次埋め込みによる自動エンコーダ構造を統合し,さらなる再構成機能を実現する。
各種データセットに対する大規模な数値実験により,PCF-GANは,生成品質と再構築品質の両方において,最先端のベースラインよりも一貫して優れた性能を示した。
コードはhttps://github.com/DeepIntoStreams/PCF-GANで入手できる。
関連論文リスト
- Analysis and Optimization of Wireless Federated Learning with Data
Heterogeneity [72.85248553787538]
本稿では、データの不均一性を考慮した無線FLの性能解析と最適化と、無線リソース割り当てについて述べる。
ロス関数の最小化問題を、長期エネルギー消費と遅延の制約の下で定式化し、クライアントスケジューリング、リソース割り当て、ローカルトレーニングエポック数(CRE)を共同で最適化する。
実世界のデータセットの実験により、提案アルゴリズムは学習精度とエネルギー消費の点で他のベンチマークよりも優れていることが示された。
論文 参考訳(メタデータ) (2023-08-04T04:18:01Z) - Unlocking the Potential of Deep Learning in Peak-Hour Series Forecasting [19.396667925659507]
本稿では,Pak-Hour Series Forecasting (PHSF)タスクに特化して設計された新しいフレームワークであるSeq2Peakについて述べる。
非定常性問題を緩和するCyclicNormパイプラインと、シンプルだが効果的なトレーニング可能なパラメータフリーのピーク時デコーダの2つの重要なコンポーネントを提供する。
公開されている時系列データセットの実験は、提案フレームワークの有効性を実証している。
論文 参考訳(メタデータ) (2023-07-04T09:38:38Z) - CARD: Channel Aligned Robust Blend Transformer for Time Series
Forecasting [50.23240107430597]
本稿では,CARD(Channel Aligned Robust Blend Transformer)という特殊なトランスを設計する。
まず、CARDはチャネルに沿ったアテンション構造を導入し、信号間の時間的相関をキャプチャする。
第二に、マルチスケール知識を効率的に活用するために、異なる解像度のトークンを生成するトークンブレンドモジュールを設計する。
第3に,潜在的な過度な問題を軽減するため,時系列予測のためのロバストな損失関数を導入する。
論文 参考訳(メタデータ) (2023-05-20T05:16:31Z) - Towards Long-Term Time-Series Forecasting: Feature, Pattern, and
Distribution [57.71199089609161]
長期的時系列予測(LTTF)は、風力発電計画など、多くのアプリケーションで需要が高まっている。
トランスフォーマーモデルは、高い計算自己認識機構のため、高い予測能力を提供するために採用されている。
LTTFの既存の手法を3つの面で区別する,Conformer という,効率的なTransformer ベースモデルを提案する。
論文 参考訳(メタデータ) (2023-01-05T13:59:29Z) - CLMFormer: Mitigating Data Redundancy to Revitalize Transformer-based
Long-Term Time Series Forecasting System [46.39662315849883]
時系列予測(LTSF)は,様々な応用において重要な役割を担っている。
既存のTransformerベースのモデルであるFedformerやInformerは、いくつかのエポックの後、検証セット上で最高のパフォーマンスを達成することが多い。
本稿では,カリキュラム学習とメモリ駆動デコーダの導入により,この問題に対処する新しい手法を提案する。
論文 参考訳(メタデータ) (2022-07-16T04:05:15Z) - GAN-MDF: A Method for Multi-fidelity Data Fusion in Digital Twins [82.71367011801242]
Internet of Things(IoT)は、スマートファクトリ、インテリジェントロボット、ヘルスケアシステムなどの物理システムのリアルタイムデータを収集する。
高忠実度(HF)応答は、関心の系を正確に記述するが、コストがかかる。
低忠実性(LF)応答は計算コストが低いが、要求される精度を満たせなかった。
デジタル双生児(GAN-MDF)におけるMDFの新たな生成的対向ネットワークを提案する。
論文 参考訳(メタデータ) (2021-06-24T06:40:35Z) - Principal Component Density Estimation for Scenario Generation Using
Normalizing Flows [62.997667081978825]
低次元空間における正規化フローを設定する線形主成分分析(PCA)に基づく次元還元フロー層を提案する。
当社は、2013年から2015年までのドイツにおけるPVおよび風力発電のデータと負荷需要に関する主成分フロー(PCF)を訓練しています。
論文 参考訳(メタデータ) (2021-04-21T08:42:54Z) - Reciprocal Adversarial Learning via Characteristic Functions [12.961770002117142]
GAN(Generative Adversarial Nets)は、複雑な分散を伴うタスクに好まれるツールである。
特徴関数(CF)を用いて分布を時間ではなく時間的に比較する方法を示す。
次に、逆数が存在する場合の埋め込み領域とデータ領域の等価性を証明し、自動エンコーダ構造で自然にGANを開発する。
この効率的な構造は、単純なトレーニング戦略とともに2つのモジュールのみを使用して、双方向で鮮明な画像を生成する。
論文 参考訳(メタデータ) (2020-06-15T14:04:55Z) - Learning Likelihoods with Conditional Normalizing Flows [54.60456010771409]
条件正規化フロー(CNF)はサンプリングと推論において効率的である。
出力空間写像に対する基底密度が入力 x 上で条件づけられた CNF について、条件密度 p(y|x) をモデル化する。
論文 参考訳(メタデータ) (2019-11-29T19:17:58Z)
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。