- 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 - 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 - 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] - 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 - 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
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