論文の概要: FFAD: A Novel Metric for Assessing Generated Time Series Data Utilizing
Fourier Transform and Auto-encoder
- arxiv url: http://arxiv.org/abs/2403.06576v1
- Date: Mon, 11 Mar 2024 10:26:04 GMT
- ステータス: 処理完了
- システム内更新日: 2024-03-12 19:34:17.575743
- Title: FFAD: A Novel Metric for Assessing Generated Time Series Data Utilizing
Fourier Transform and Auto-encoder
- Title(参考訳): FFAD:フーリエ変換とオートエンコーダを利用した生成時系列データの評価方法
- Authors: Yang Chen, Dustin J. Kempton, Rafal A. Angryk
- Abstract要約: Fr'echet Inception Distance (FID) は画像合成における生成モデルを評価する標準的な指標である。
本研究は,Fr'echet Fourier-transform Auto-Encoder Distance (FFAD) と呼ばれるフーリエ変換とオートエンコーダを利用した新しい解を提案する。
実験結果から,異なるクラスから標本を効果的に識別するFFADの可能性を示す。
- 参考スコア(独自算出の注目度): 9.103662085683304
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The success of deep learning-based generative models in producing realistic
images, videos, and audios has led to a crucial consideration: how to
effectively assess the quality of synthetic samples. While the Fr\'{e}chet
Inception Distance (FID) serves as the standard metric for evaluating
generative models in image synthesis, a comparable metric for time series data
is notably absent. This gap in assessment capabilities stems from the absence
of a widely accepted feature vector extractor pre-trained on benchmark time
series datasets. In addressing these challenges related to assessing the
quality of time series, particularly in the context of Fr\'echet Distance, this
work proposes a novel solution leveraging the Fourier transform and
Auto-encoder, termed the Fr\'{e}chet Fourier-transform Auto-encoder Distance
(FFAD). Through our experimental results, we showcase the potential of FFAD for
effectively distinguishing samples from different classes. This novel metric
emerges as a fundamental tool for the evaluation of generative time series
data, contributing to the ongoing efforts of enhancing assessment methodologies
in the realm of deep learning-based generative models.
- Abstract(参考訳): 深層学習に基づく生成モデルの成功は、リアルな画像、ビデオ、オーディオを生産する上で重要な考慮事項となった:合成サンプルの品質を効果的に評価する方法である。
Fr\'{e}chet Inception Distance (FID) は画像合成における生成モデルを評価する標準的な指標であるが、時系列データに匹敵する指標は特に欠落している。
この評価能力のギャップは、ベンチマーク時系列データセットで事前トレーニングされた広く受け入れられた特徴ベクトル抽出器がないことに起因する。
Fr\'echet Distance(英語版)の文脈において、これらの課題に対処するために、フーリエ変換とオートエンコーダを利用した新しいソリューションを提案し、これをFr\'{e}chet Fourier-transform Auto-Encoder Distance(FFAD)と呼ぶ。
実験により,異なるクラスから効果的にサンプルを識別できるffadの可能性を示した。
本手法は, 生成時系列データ評価の基本的なツールとして登場し, 深層学習に基づく生成モデルの領域における評価手法の強化に寄与している。
関連論文リスト
- Timer: Transformers for Time Series Analysis at Scale [87.9808714449511]
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 [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) - MADS: Modulated Auto-Decoding SIREN for time series imputation [9.673093148930874]
我々は,暗黙のニューラル表現に基づく時系列計算のための新しい自動デコードフレームワークMADSを提案する。
実世界の2つのデータセット上で本モデルを評価し,時系列計算における最先端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) (2023-07-03T09:08:47Z) - TSGM: A Flexible Framework for Generative Modeling of Synthetic Time
Series [79.64785804590821]
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) - Ti-MAE: Self-Supervised Masked Time Series Autoencoders [16.98069693152999]
本稿では,Ti-MAEという新しいフレームワークを提案する。
Ti-MAEは、埋め込み時系列データをランダムにマスクアウトし、オートエンコーダを学び、ポイントレベルでそれらを再構築する。
いくつかの公開実世界のデータセットの実験では、マスク付きオートエンコーディングのフレームワークが生データから直接強力な表現を学習できることが示されている。
論文 参考訳(メタデータ) (2023-01-21T03:20:23Z) - 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) - Towards Synthetic Multivariate Time Series Generation for Flare
Forecasting [5.098461305284216]
データ駆動・レアイベント予測アルゴリズムのトレーニングにおける制限要因の1つは、関心のあるイベントの不足である。
本研究では,データインフォームド・オーバーサンプリングを行う手段として,条件付き生成逆数ネットワーク(CGAN)の有用性を検討する。
論文 参考訳(メタデータ) (2021-05-16T22:23:23Z) - PSEUDo: Interactive Pattern Search in Multivariate Time Series with
Locality-Sensitive Hashing and Relevance Feedback [3.347485580830609]
PSEUDoは、マルチトラックシーケンシャルデータにおける視覚パターンを探索するための適応的機能学習技術である。
提案アルゴリズムは,サブ線形学習と推論時間を特徴とする。
我々は,PSEUDoの効率,精度,操縦性において優位性を示す。
論文 参考訳(メタデータ) (2021-04-30T13:00:44Z) - Anomaly Detection of Time Series with Smoothness-Inducing Sequential
Variational Auto-Encoder [59.69303945834122]
Smoothness-Inducing Sequential Variational Auto-Encoder (SISVAE) モデルを提案する。
我々のモデルは、フレキシブルニューラルネットワークを用いて各タイムスタンプの平均と分散をパラメータ化する。
合成データセットと公開実世界のベンチマークの両方において,本モデルの有効性を示す。
論文 参考訳(メタデータ) (2021-02-02T06:15:15Z) - 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)
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。