论文阅读：《Time Series Generative Adversrial Networks》（TimeGAN，时间序列GAN)

最新推荐文章于 2025-02-16 17:33:02 发布

weberyoung

最新推荐文章于 2025-02-16 17:33:02 发布

阅读量1.5w

点赞数 12

CC 4.0 BY-SA版权

分类专栏：时间序列 GAN 文章标签：深度学习

本文链接：https://blog.youkuaiyun.com/qq_35692819/article/details/106037969

《Time Series Generative Adversarial Networks》提出了一种结合无监督与监督学习的时间序列生成模型TimeGAN，旨在更好地保留时间序列的动态特性。通过引入逐步监督损失，TimeGAN在定性和定量上优于现有SOTA，适用于各种时间序列数据集，表现出色的生成、预测和多样性能力。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

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

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。