2017 Real-valued (Medical) Time Series Generation with Recurrent Conditional GANs

最新推荐文章于 2022-06-21 16:07:34 发布
最新推荐文章于 2022-06-21 16:07:34 发布
阅读量418 收藏 2
点赞数 2
分类专栏： GAN论文 文章标签： 深度学习
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/weixin_53051863/article/details/117705426
版权
  1. Abstract
    GAN在生成数据方面取得了瞩目的成效，作者提出了两种GAN应用于医疗数据方面，RGAN和RCGAN，用于生成多维的时间序列数据。RGAN，在生成器和分类器上都采用RNN架构。RCGAN，同样也都是在生成器和分类器上采用RNN架构，但是这两个RNN需要辅助信息作为条件。利用一组玩具数据来进行验证，最终通过直观和定量性（样本似然性和mmd【最大平均差异】）发现能够很好的生成时间序列数据。同时作者又提出一种新的评价GAN的指标，生成数据作为训练集然后训练模型，然后真实数据作为测试集进行模型性能评估。作者用这些指标证明了RCGAN生成的数据可以有效的用于监督模型的训练，在真实数据作为测试集上性能只有略微的下降。同时还将MNIST作为序列数据【28 * 28展成1 * 784的序列数据】去利用RGAN生成，最终也能生成图片
  2. 本文的几个主要贡献
    （1） 演示使用对抗的训练去生成实值序列的方法
    （2） 展示评估gan的新方法
    （3）生成合成医疗时间序列数据
    （4）评估GAN生成的数据的隐私性
  3. 评价指标
    (1) MAXIMUM MEAN DISCREPANCY [MMD 最大平均差异]
    (2) TRAIN ON SYNTHETIC , TEST ON REAL [TSTR 在合成数据上训练，在真实数据上测试 也可以反过来就是TRTS GAN遭受模式崩溃，TRTS性能不会因此下降]
  4. 实验
    (1) 利用RGAN生成正弦信号
    (2) 将MINST图像（28 * 28）展成一维序列（1 * 784）通过RGAN生成MINST 图像
    (3) 利用ward2icu 去生成RGAN生成
  5. 隐私
    因为医疗数据涉及到隐私数据，但是暂时还没涉及到这个问题，所以先不关注这个了
为什么要看我名字
关注
  • 2
    点赞
  • 踩
  • 2
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
具有循环条件gan的实值(医疗)时间序列生成-2017
Crystalxxtt的博客
12-27 2355
生成对抗网络(GANs)作为一种训练模型以产生逼真数据的框架已经取得了显著的成功。在这项工作中，我们提出了循环GAN (RGAN)和循环条件GAN (RCGAN)来生成真实的实值多维时间序列，重点研究了它们在医疗数据中的应用。rgan在生成器和鉴别器中使用循环神经网络(RNNs)。在rcgan的情况下，这两个rnn都以辅助信息为条件。我们在一组玩具数据集中演示了我们的模型，在其中我们从视觉上和定量上(使用样本似然和最大平均差异)表明它们可以成功地生成现实的时间序列。我们还描述了针对GANs的新颖评估方法。
生成对抗网络GANs（笔记一）主线
qq_21210467的博客
08-19 1万+
生成式对抗网络（Generative Adversarial Nets, GAN） 一、发展历程： 最开始接触GANs是因为想了解有关于在少量数据的情况下如何做数据增广。然后就了解到了DCGAN生成手写数字的案例，简直是惊为天人，然今才逐渐开始了解生成对抗网络的思想。到了后来一直想用生成对抗网络的思想做语音识别和语音合成这一方面，一直找到合适的资料。再后来，鬼使神差的想结合GANs来做毕业论文...
gan zoo
啊哈的专栏
10-17 2187
The GANZoo https://sungsoo.github.io/2018/07/02/the-gan-zoo.html 3D-ED-GAN -Shape Inpainting using 3D Generative Adversarial Network and Recurrent Convolutional Networks 3D-GAN -Learning ...
模态综合医疗时间序列数据：REAL-VALUED (MEDICAL) TIME SERIES GENERATION WITH RECURRENT CONDITIONAL GANS
yxh的博客
09-01 2234
2、RELATED WORK 从2014年，GAN框架就引起了大家的关注，大多数工作集中在图像生成。(Choi et al., 2017) 设计了 GAN 来生成 综合性的电子病历数据（EHR）。这些EHRs包含二值、多值变量，例如 ICD-9编码、药物（medication）、程序代码（procedure codes）。他们关注于一位患者的 离散值的数据、生成的 snapshots，与之对应的我们关注的是 真实、时间序列数据。未来工作可以结合这些研究来生成 多模态综合医疗时间序列数据（multi-moda
生成式对抗网络(GANs)及变体
ssshyeong的博客
06-21 5611
GAN的起源及发展至今的一些变体，简单介绍思想及实现。
【GANs学习笔记】（十四）RGAN
a312863063的博客
10-31 6950
Part3 GANs的其他改进        GANs还有一些其他的改进，本部分会选择一些很有创意的idea介绍一下。 1. RGAN 1.1 RGAN解决的问题        在标准生成对
Further investigate the stability of complex-valued recurrent neural networks with time-delays
02-09
标题和描述中涉及的关键知识点包括“复值递归神经网络（Complex-Valued Recurrent Neural Networks, RNNs）”，“时延（time-delays）”以及“稳定性（stability）”。以下是对这些概念及相关内容的详细解读： 1. ...
Modeling integer-valued time series based on COM-Poisson INGARCH models
12-29
基于COM-Poisson INGARCH模型的整值时间序列建模，朱复康，，整值时间序列经常展现偏大离差特征,但是人们在应用中也可能遇到相反的偏小离差现象。整值GARCH模型是建模计数时间序列的一个流行模
Lagrange stability of complex-valued neural networks with time delays
12-28
在内容中提到的关键词“Lagrangestability”（拉格朗日稳定性）、“Complex-valued neural networks”（复值神经网络）、“Time delays”（时滞）以及“Matrix measure”（矩阵测度）是研究复值时滞神经网络稳定性时...
Recurrent-Attention-Convolutional-Neural-Network
12-19
Look-Closer-to-See-Better-Recurrent-Attention-Convolutional-Neural-Network-for-Fine-grained-Image-Recognition
Fast Algorithm for Computing Analysis Windows in Real-Valued Discrete Gabor Transform
02-22
本文是关于实值离散Gabor变换(Real-Valued Discrete Gabor Transform, RDGT)中分析窗(computation windows)快速计算算法的研究。Gabor变换作为一种重要的时频分析工具，在非平稳信号处理中具有重要作用，尤其在语音...
GAN（生成对抗网络）在合成时间序列数据中的应用（第一部分——利用GAN生成合成(synthetic)数据）
White__River的博客
07-06 5928
GAN（生成对抗网络）在合成时间序列数据中的应用（第一部分——利用GAN生成合成数据） （本文基本是对Jasen 的《Machine Learning for Algorithmic Trading》第二版的第21章进行翻译、改写和复现，并用于我们的实际情况） 1. 准备阶段 配置介绍 在Anaconda下安装TensorFlow以及在Jupyter Notebook中引用的准备，可以参考以下文档 https://www.tensorflow.org/tutorials/quickstart/beginne
GAN最全论文合集
gdtop的个人笔记
11-25 1万+
已经到2019年了，再回来补充补充，坏消息是GAN的热度已经没有那么高了，一是各种各样的应用坑都被踩完了几乎，二是GAN结构以及不容易训练的问题。 相关论文合集： Kaiming He大神论文合集 [深度学习论文从0开始] Transfer Learning[论文合集] Object Detection[论文合集] Reinforcement Learning[论文合集] Unsu...
简单理解与实验生成对抗网络GAN
热门推荐
我爱智能
05-26 13万+
之前GAN网络是近两年深度学习领域的新秀，火的不行，本文旨在浅显理解传统GAN，分享学习心得。现有GAN网络大多数代码实现使用python、torch等语言，这里，后面用matlab搭建一个简单的GAN网络，便于理解GAN原理。GAN的鼻祖之作是2014年NIPS一篇文章：Generative Adversarial Net,可以细细品味。 分享一个目前各类GAN的一个论文整理集合 再分享一个目前各
The GAN Zoo (最新GAN 相关paper收集）
omnispace的博客
09-02 8608
Every week, new GAN papers are coming out and it's hard to keep track of them all, not to mention the incredibly creative ways in which researchers are naming these GANs! So, here's a list of what sta
Paper：RNN之《Generating Sequences With Recurrent Neural Networks用循环神经网络生成序列》的翻译和解读
近期请国内外头部出版社可尽快私信博主！——心比天高，仗剑走天涯，保持热爱，奔赴向梦想！低调，谦虚，自律，反思，成长，还算是比较正能量的博主，公益免费传播……内心特别想在AI界做出一些可以推进历史进程影响力的东西(兴趣使然，有点小情怀，也有点使命感呀)…
03-15 8648
利用长短期记忆递归神经网络，通过简单地预测一个数据点来实现长时间的复杂序列生成。该方法适用于文本(数据是离散的)和在线手写(数据是实值的)。然后，通过允许网络根据文本序列调整预测，将其扩展到手写合成。由此产生的系统能够生成多种风格的高度逼真的草书。递归神经网络(RNNs)是一类丰富的动态模型，被用于生成音乐[6,4]、文本[30]和动作捕捉数据[29]等领域的序列。通过一步一步地处理真实的数据序列并预测接下来会发生什么，可以训练RNNs来生成序列。假设预测是概率性的，
基于GAN框架的时间序列异常检测研究综述
qq_40305043的博客
01-26 8773
一项综述类的课程作业 Anomaly detection with generative adversarial networks for multivariate time series. MAD-GAN: Multivariate anomaly detection for time series data with generative adversarial networks. TAnoGAN: Time Series Anomaly Detection with Generative Advers
关于深度学习理论和架构的最新综述(参考文献)
qq_16197337的博客
04-02 3395
Schmidhuber, J. Deep Learning in Neural Networks: An Overview. Neural Netw. 2015, 61, 85–117. [CrossRef] [PubMed] Bengio, Y.; LeCun, Y.; Hinton, G. Deep Learning. Nature 2015, 521, 436–444. Bengio, Y...
an introduction to discrete-valued time series
最新发布
11-26
离散值时间序列是指由离散的、有序的数据点组成的时间序列。与连续值时间序列不同，离散值时间序列的数据点只能取特定的离散值。离散值时间序列广泛应用于不同的领域，如金融、物流、传感器数据等。 离散值时间序列常见的特点是具有一定的时间间隔和顺序性。每个时间点的取值都是确定的，而且通常呈现出序列中相邻点之间的相关性。为了分析和预测离散值时间序列，通常需要使用一些统计模型和方法，如ARIMA模型、马尔可夫链模型等。 离散值时间序列可以用来研究和解决很多实际问题。例如，在金融领域，我们可以用离散值时间序列来分析股票价格的波动，以便制定投资策略。在物流领域，我们可以使用离散值时间序列来预测货物的需求量，从而优化供应链的管理。在传感器数据分析中，离散值时间序列可以用来检测异常值和预测设备故障。 总之，离散值时间序列是一种由离散的、有序的数据点组成的时间序列。它在许多领域有着广泛的应用，可以帮助我们理解和预测实际问题。通过应用适当的统计模型和方法，我们可以从离散值时间序列中获取有用的信息，并应用于实际决策和问题解决中。
评论
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
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