TimeGAN学习记录

已于 2023-03-02 14:05:16 修改
阅读量1.5k 收藏 15
点赞数
分类专栏： GAN 文章标签： 学习
于 2023-02-16 16:10:34 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_47104322/article/details/129064073
版权

一、学习TimeGAN主要参考的链接如下：

（1）知乎上的TimeGAN论文研读
（2）csdn上的一篇博客，论文阅读：《Time Series Generative Adversrial Networks》（TimeGAN，时间序列GAN)
（3）时间序列丨基于 TimeGAN 模型生成时间序列数据及其 Python 实践

二、我的理解

TimeGAN无预测功能，只是对数据进行了分段处理并可以捕捉时序特征，但效果并不好？论文的PCA和TSNE看着还行，但是对时序数据进行拟合的时候，识别效果就很差。（我自己使用sin数据集，效果也仍然不好）

三、一些疑问

那我目前有三个疑问，希望哪位看懂论文的同学可以解答一下，感谢：

（1）TimeGAN代码里面的损失非常多，如何使用里面的loss对异常样本进行识别呢？
（2）我使用TimeGAN对sin数据的识别效果放在这里了，但有一个问题就是为何TimeGAN训练后期，在识别效果上，sin的形状很接近了，但是相位不拟合呢？
（3）另外，源代码的这句代码为什么这么写呢？为何要去掉第一个数据做损失呢？
在这里插入图片描述

河马小白
关注
  • 0
    点赞
  • 踩
  • 15
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 3
    评论
专栏目录
论文阅读：《Time Series Generative Adversrial Networks》（TimeGAN，时间序列GAN)
Weberyoung的博客
05-11 1万+
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 [email protected] DanielJarrett University of Cambridge, UK daniel
Python-各种对抗神经网络GAN大合集
08-11
各种对抗神经网络（GAN）大合集
一维时间序列数据（股票价格）
03-03
可用于进行序列预测的一维数据集，取自某支股票的某时间段内的价格。
使用 TimeGAN 建模和生成时间序列数据
热门推荐
deephub
09-09 2万+
在本文中，我们将研究时间序列数据并探索一种生成合成时间序列数据的方法。 时间序列数据 — 简要概述 时间序列数据与常规表格数据有什么不同呢？ 时间序列数据集有一个额外的维度——时间。 我们可以将其视为 3D 数据集。 比如说，我们有一个包含 5 个特征和 5 个输入实例的数据集。 那么时间序列数据基本上是该表在第 3 维的扩展，其中每个新表只是新时间步长的另一个数据集。 主要的区别是时间序列数据与表格数据相比有更多的数据点实例。 能源数据集的案例研究 如果我们看一下能源数据集，它实际上看起来只是一个常规
探索时空之美：深度学习框架`TimeGAN`
最新发布
gitblog_00026的博客
04-12 332
探索时空之美：深度学习框架TimeGAN 项目地址:https://gitcode.com/jsyoon0823/TimeGAN 在数字世界中，时间序列数据无处不在，从股市波动到人体生理信号，再到社交媒体趋势。而TimeGAN（GitHub 链接）是一个创新的深度学习框架，专为生成和分析时间序列数据而设计。本文将深入探讨其技术原理、应用场景及独特优势，让更多开发者和研究者了解并利用它来挖掘数据中的...
时序图绘制工具 --- TimeGen使用方法总结
元直的博客
12-07 1万+
TimeGen使用方法总结 前言：TimeGen是一款专门用于绘制时序图的软件，绘图后可直接选中复制到WORD文档中就是矢量图，能够快速生成时序图，再也不用使用visio或者word画时序图了。 一、TimeGen功能介绍 具有矩形或圆形边缘的轮廓文本框 要选择多个文本框的能力(按住Ctrl键)，或按Ctrl + A TimeGen官方版支持更改所有选定的文本框的字体或大小与一个命令 按Alt键的同时使用箭头键精细控...
TimeGAN:时间序列生成对抗网络（TimeGAN）的代码库-NeurIPS 2019
04-29
“时间序列生成对抗网络（TimeGAN）”的代码库 作者：尹成ung，丹尼尔·贾瑞特，米哈埃拉·范德沙尔 参考：Jinsung Yoon，Daniel Jarrett，Mihaela van der Schaar，“时间序列生成对抗网络”，神经信息处理系统（NeurIPS），2019年。 论文链接： : 联络人： 该目录包含使用一个合成数据集和两个真实数据集生成合成时间序列数据的TimeGAN框架的实现。 正弦数据：合成 股票数据： : 能源数据： ： 要运行有关TimeGAN框架的培训和评估的管道，只需运行python3 -m main_timegan.py或在tutorial_timegan.ipynb中查看TimeGAN的jupyter-notebook教程。 注意，任何模型体系结构都可以用作生成器和鉴别器模型，例如RNN或Transformers。 代码说
利用TimeGAN技术对一维时序数据进行扩增（Python代码）
qq_40840797的博客
05-14 5147
TGAN，时间序列生成对抗性网络于2019年提出，作为一种基于GAN的框架，能够生成各种不同领域的真实时间序列数据，即具有不同观察行为的序列数据。与我们在真实数据和合成数据上实现无监督对抗性损失的其他GAN架构（例如，WGAN）不同，TimeGAN架构引入了监督损失的概念-鼓励模型通过使用原始数据作为监督来捕捉数据中的时间条件分布。此外，我们可以观察到嵌入网络的引入，该网络负责降低对抗性学习空间维度。特征是工作经验年限，标签是薪水，因为数据量太少，利用GAN技术进行扩增。扩增的数据与原始数据对比。
时间序列生成数据，TimeGAN
李白白的博客
05-21 2920
如果你的时间序列数据比较短，样本少不适合进行深度学习，那就可以考虑用生成的方式扩增一些数据。csv文件可以留言获取。
基于timegan扩增技术，进行多维度数据扩增（Python编程，数据集为瓦斯浓度气体数据集）
qq_40840797的博客
07-19 2897
扩增程序运行5000个epoch，然后将扩增数据与真实数据，利用PCA和TNSE进行特征可视化，可以看出扩增出来的数据与原始数据特征分布近似，扩增数据效果较佳。瓦斯是被预测气体，其它列为特征列,原始数据一共有472行数据，因为原始数据比较少，所以要对原始数据（总共8列数据）进行扩增。gan_lstm.py 是利用扩增后的数据与原始数据的一部分一起作为训练集，对测试集进行测试。gan_data1.npy保留扩增以后的伪数据。lstm.py是对未扩增的数据进行训练和测试。gan_code.py是数据扩增文件。
【时序】时间序列领域的 GAN 模型综述论文笔记
stay hungry, stay foolish.
04-13 1万+
论文年份：2021，论文被引：8（2022/04/13）
GA-TCN-LSTM时间序列预测（Python完整源码)
01-08
GA-TCN-LSTM时间序列预测（Python完整源码) 使用先进的机器学习技术和优化算法开发石油产量预测模型，包括开发遗传算法-时间卷积神经网络-长短期记忆（GA-TCN-LSTM）集成模型，以及对循环神经网络（RNN）、门控循环单元（ GRU）、长短期记忆LSTM）和时间卷积网络（TCN）。 此外，该程序还包括使用探索性数据分析和数据清理，旨在检测、可视化和处理数据集中的异常值。
ydata-synthetic:综合结构化数据生成器
03-20
加入我们 什么是合成数据？ 合成数据是不是从现实世界事件中收集的人为生成的数据。它在不包含任何可识别信息的情况下复制了真实数据的统计组成部分，从而确保了个人的隐私。 为什么要合成数据？ 合成数据可用于许多应用程序： 隐私 消除偏见 天平数据集 增强数据集 ydata合成 该存储库包含与用于生成综合数据（特别是常规表格数据和时间序列）的对抗网络有关的材料。它包含一组使用Tensorflow 2.0开发的不同GAN架构。其中包括一个示例Jupyter Notebook，以说明如何使用不同的体系结构。 快速开始 pip install ydata-synthetic 例子 在这里，您可以找到用于综合表格数据的程序包和模型的用法示例。 信用欺诈数据集 库存数据集 项目资源 合成GitHub： ： 综合数据社区松弛： 在此存储库中，您可以找到以下GAN架构： 表格数据 顺序数据
QValueAxis详解
04-06
QValueAxis详解QValueAxis详解QValueAxis详解QValueAxis详解QValueAxis详解QValueAxis详解QValueAxis详解QValueAxis详解QValueAxis详解QValueAxis详解QValueAxis详解QValueAxis详解QValueAxis详解QValueAxis详解QValueAxis详解QValueAxis详解QValueAxis详解QValueAxis详解QValueAxis详解QValueAxis详解QValueAxis详解QValueAxis详解QValueAxis详解QValueAxis详解QValueAxis详解QValueAxis详解QValueAxis详解QValueAxis详解QValueAxis详解QValueAxis详解QValueAxis详解QValueAxis详解QValueAxis详解QValueAxis详解QValueAxis详解
GAN-RNN_Timeseries-imputation:用于估算时间序列数据的递归GAN。 在Kaggle的Wikipedia Web流量预测数据集的TensorFlow 2中实现
05-28
作者： Ivan Bongiorni ，数据科学家。 卷积递归Seq2seq GAN用于时间序列数据中缺失值的插补 描述 该项目的目标是为时间序列数据的插补实现递归卷积Seq2seq神经网络的多种配置。 提供了三种实现： 循环卷积seq2seq模型。 基于上述相同体系结构的GAN （生成对抗网络），其中训练了Imputer来欺骗试图区分真实和假（推算）时间序列的对抗网络。 一种部分对抗的模型，其中先前模型的两种损失结构都组合在一个模型中：Imputer模型必须减少真实的错误损失，同时尝试欺骗鉴别器。 模型在TensorFlow 2中实现，并在数据集中进行了训练。 档案文件 config.yaml ：用于数据预处理，培训和测试的配置参数。 管道： main_processing.py ：启动数据预处理管道。 其结果是将准备好训练的数据集以.npy（ numpy ）格式保存在/da
米哈游技术总监贺甲：如何实现次世代卡通渲染效果
02-21
米哈游技术总监贺甲：如何实现次世代卡通渲染效果？
合成数据生成：生成合成数据
02-09
综合数据源 生成综合数据
TimeGAN_Time-series generative adversarial networks
MaoziYa的博客
04-13 5321
论文：Time-series generative adversarial networks 代码：https://github.com/jsyoon0823/TimeGAN 现有的时间序列研究中，自回归模型明确地将时间序列模型分解为条件分布的乘积。这种方法在预测中表现优秀，但是无需添加外部条件就能获得新序列信息，作者考虑到这并不是一种“生成”方法。另一方面的研究是使用GAN，这种方法简单地应用标准的loss函数，可能不能捕捉序列之间的逐步依赖关系。 因此作者将上述两种不同实现机制的方法结合在一起——时间序
论文笔记：《Time Series Generative Adversrial Networks》（TimeGAN，时间序列GAN)
To be a better man
08-10 2181
论文笔记：《Time Series Generative Adversrial Networks》（TimeGAN，时间序列GAN)
TimeGAN是怎么学习时间相关性的
03-06
TimeGAN是一种基于生成对抗网络的时间序列生成模型，它通过对时间序列数据进行重构和生成来学习时间相关性。具体来说，TimeGAN使用了一个编码器和解码器来将时间序列数据映射到一个低维潜在空间中，并从中生成新的时间序列数据。同时，TimeGAN还使用了一个判别器来区分真实的时间序列数据和生成的时间序列数据，从而提高生成数据的质量。通过不断迭代训练，TimeGAN可以学习到时间序列数据中的时间相关性，并生成具有相似时间相关性的新数据。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 3
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

河马小白

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值