这篇时间序列GAN的论文下载了好久了,但是由于过于复杂,没怎么仔细研读。最近为了进行和自己的GAN对比,找到了他的codebase 准备再仔细读一下,跑一下代码。
《Time Series Generative Adversrial Networks》
作者:
JinsungYoon
University of California, Los Angeles, USA jsyoon0823
文章目录
摘要
一个好的生成模型要保留temporal dynamic(时间动态?)的性质。也就是说,生成的序列能还原原始每个时间步之间的关系。
作者说现在的已经提出的GAN方法还不能很好的保留时间序列特有的时间相关性。
提出了新的GAN框架,号称结合了无监督范式的灵活性和监督训练相结合。
通过结合监督目标和对抗目标共同优化的学习型嵌入空间,让网络在采样过程中遵守动态软约束数据。??不太懂这里
根据经验,我们使用真实和合成的时间序列数据集来评估生成真实样本的方法的能力。 定性和定量地,提出的框架在相似性和预测能力方面优于SOTA。
Introduction
一个好的时序生成模型不仅应该捕捉每个时间步的特征分布,还需要捕捉时间步之间潜在的复杂的关系。
自回归方法
一方面,大量工作关注与提高时间序列自回归模型的temporal dynamic为了序列预测。
自回归模型明确的将时间序列模型,分解为条件分布的乘积:
∏ t p ( X t ∣ X 1 : t − 1 ) \prod_{t}p(X_t|X_{1:t-1}) t∏p(X</