論文の概要: SeriesGAN: Time Series Generation via Adversarial and Autoregressive Learning

• arxiv url: http://arxiv.org/abs/2410.21203v1
• Date: Mon, 28 Oct 2024 16:49:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-10-29 12:16:33.179188
• Title: SeriesGAN: Time Series Generation via Adversarial and Autoregressive Learning
• Title（参考訳）: SeriesGAN: Adversarial and Autoregressive Learningによる時系列生成
• Authors: MohammadReza EskandariNasab, Shah Muhammad Hamdi, Soukaina Filali Boubrahimi,
• Abstract要約: 本稿では, 自己エンコーダ生成型埋め込み空間の利点と, GANの対角運動力学を融合した高度なフレームワークを提案する。 この方法は2つの識別器を用いており、1つはジェネレータを特に誘導し、もう1つはオートエンコーダとジェネレータの出力を洗練させる。 我々のフレームワークは高忠実な時系列データを生成するのに優れており、既存の最先端のベンチマークを一貫して上回っている。
• 参考スコア（独自算出の注目度）: 0.9374652839580181
• License:
• Abstract: Current Generative Adversarial Network (GAN)-based approaches for time series generation face challenges such as suboptimal convergence, information loss in embedding spaces, and instability. To overcome these challenges, we introduce an advanced framework that integrates the advantages of an autoencoder-generated embedding space with the adversarial training dynamics of GANs. This method employs two discriminators: one to specifically guide the generator and another to refine both the autoencoder's and generator's output. Additionally, our framework incorporates a novel autoencoder-based loss function and supervision from a teacher-forcing supervisor network, which captures the stepwise conditional distributions of the data. The generator operates within the latent space, while the two discriminators work on latent and feature spaces separately, providing crucial feedback to both the generator and the autoencoder. By leveraging this dual-discriminator approach, we minimize information loss in the embedding space. Through joint training, our framework excels at generating high-fidelity time series data, consistently outperforming existing state-of-the-art benchmarks both qualitatively and quantitatively across a range of real and synthetic multivariate time series datasets.
• Abstract（参考訳）: 現在のGAN(Generative Adversarial Network)ベースの時系列生成アプローチは、最適下界収束、埋め込み空間の情報損失、不安定性といった課題に直面している。 これらの課題を克服するために、自動エンコーダ生成の埋め込み空間の利点と、GANの対角的トレーニングダイナミクスを融合した高度なフレームワークを導入する。 この方法は2つの識別器を用いており、1つはジェネレータを特別に誘導し、もう1つはオートエンコーダとジェネレータの出力を洗練させる。 さらに,本フレームワークでは,教師による教師強制ネットワークから,段階的にデータの状態分布をキャプチャする,新たなオートエンコーダに基づく損失関数と監視機能を導入している。 ジェネレータは潜伏空間内で動作し、2つの識別器は潜伏空間と特徴空間を別々に動作し、ジェネレータとオートエンコーダの両方に重要なフィードバックを提供する。 この二重識別器アプローチを利用することで、埋め込み空間における情報損失を最小限に抑える。 共同トレーニングを通じて、我々のフレームワークは高忠実度時系列データの生成に長けており、実・合成多変量時系列データセットの範囲で定性的・定量的に既存の最先端ベンチマークを一貫して上回ります。

関連論文リスト

• ChronoGAN: Supervised and Embedded Generative Adversarial Networks for Time Series Generation [0.9374652839580181]
  これらの問題を効果的に解決し緩和することを目的とした堅牢なフレームワークを導入します。 このフレームワークは、Autoencoderの生成した埋め込み空間の利点と、GANの対角的トレーニングダイナミクスを統合する。 我々は、安定度を高め、短命連続と短命連続の両方で効果的な一般化を保証するために、初期生成アルゴリズムと改良されたニューラルネットワークアーキテクチャを導入する。
  論文  参考訳（メタデータ） (2024-09-21T04:51:35Z)
• MS$^3$D: A RG Flow-Based Regularization for GAN Training with Limited Data [16.574346252357653]
  物理における再正規化群(RG)の考え方に基づく新しい正規化法を提案する。 本手法は,限られたデータシナリオ下でのGANの性能と安定性を効果的に向上できることを示す。
  論文  参考訳（メタデータ） (2024-08-20T18:37:37Z)
• Time-series Generation by Contrastive Imitation [87.51882102248395]
  モーメントマッチングの目的によってモチベーションされ、複合的エラーを軽減し、局所的(しかし前方的な)遷移ポリシーを最適化する。 推論において、学習されたポリシーは反復的なサンプリングのジェネレータとして機能し、学習されたエネルギーはサンプルの品質を評価するための軌道レベル尺度として機能する。
  論文  参考訳（メタデータ） (2023-11-02T16:45:25Z)
• Fully Embedded Time-Series Generative Adversarial Networks [0.0]
  GAN(Generative Adversarial Networks)は、モデル化されているデータの基盤となる分布に適合する合成データを生成する。 実値の時系列データの場合、これはデータの静的な分布を同時にキャプチャする必要があるだけでなく、潜在的な時間的地平線に対するデータの完全な時間的分布も同時に取得する必要があることを意味する。 FETSGANでは、全シーケンスはSeq2seqスタイルの逆自動エンコーダ(AAE)を使用して、ジェネレータのサンプリング空間に直接変換される。
  論文  参考訳（メタデータ） (2023-08-30T03:14:02Z)
• Complexity Matters: Rethinking the Latent Space for Generative Modeling [65.64763873078114]
  生成的モデリングにおいて、多くの成功したアプローチは、例えば安定拡散のような低次元の潜在空間を利用する。 本研究では, モデル複雑性の観点から潜在空間を再考することにより, 未探索の話題に光を当てることを目的としている。
  論文  参考訳（メタデータ） (2023-07-17T07:12:29Z)
• Conditional Denoising Diffusion for Sequential Recommendation [62.127862728308045]
  GAN(Generative Adversarial Networks)とVAE(VAE)の2つの顕著な生成モデル GANは不安定な最適化に苦しむ一方、VAEは後続の崩壊と過度に平らな世代である。 本稿では,シーケンスエンコーダ,クロスアテンティブデノナイジングデコーダ,ステップワイズディフューザを含む条件付きデノナイジング拡散モデルを提案する。
  論文  参考訳（メタデータ） (2023-04-22T15:32:59Z)
• Generation of data on discontinuous manifolds via continuous stochastic non-invertible networks [6.201770337181472]
  連続ネットワークを用いて不連続分布を生成する方法を示す。 コスト関数と情報理論の定式化の関係を導出する。 提案手法を合成2次元分布に適用し,不連続分布の再構成と生成の両立を実証する。
  論文  参考訳（メタデータ） (2021-12-17T17:39:59Z)
• 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)
• Conditional Hybrid GAN for Sequence Generation [56.67961004064029]
  本稿では,この問題を解決するための条件付きハイブリッドGAN(C-Hybrid-GAN)を提案する。 我々はGumbel-Softmax法を利用して離散値列の分布を近似する。 提案したC-Hybrid-GANは、文脈条件付き離散値シーケンス生成において既存の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） (2020-09-18T03:52:55Z)
• Dual Adversarial Auto-Encoders for Clustering [152.84443014554745]
  教師なしクラスタリングのためのDual-AAE(Dual-AAE)を提案する。 Dual-AAEの目的関数に対する変分推論を行うことで,一対のオートエンコーダをトレーニングすることで最適化可能な新たな再構成損失を導出する。 4つのベンチマーク実験により、Dual-AAEは最先端のクラスタリング手法よりも優れた性能を発揮することが示された。
  論文  参考訳（メタデータ） (2020-08-23T13:16:34Z)

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。