[論文レビュー] Generating multivariate time series with COmmon Source CoordInated GAN (COSCI-GAN)

Ali Seyfi, Jean-François Rajotte+1 more|arXiv (Cornell University)|May 27, 2022

Time Series Analysis and Forecasting被引用数 12

ひとこと要約

COSCI-GAN は、共有潜在ノイズを用いて共通の起源をモデル化し、中央集権的な識別器を用いてチャネル間相関の保存を強制することで、多変量時系列（MTS）を生成する新しい GAN ベースのフレームワークである。EEG や金融 MTS データセットにおいて、統計的相関の保存と分類精度の両面で最先端の手法を上回っている。

ABSTRACT

Generating multivariate time series is a promising approach for sharing sensitive data in many medical, financial, and IoT applications. A common type of multivariate time series originates from a single source such as the biometric measurements from a medical patient. This leads to complex dynamical patterns between individual time series that are hard to learn by typical generation models such as GANs. There is valuable information in those patterns that machine learning models can use to better classify, predict or perform other downstream tasks. We propose a novel framework that takes time series' common origin into account and favors channel/feature relationships preservation. The two key points of our method are: 1) the individual time series are generated from a common point in latent space and 2) a central discriminator favors the preservation of inter-channel/feature dynamics. We demonstrate empirically that our method helps preserve channel/feature correlations and that our synthetic data performs very well in downstream tasks with medical and financial data.

研究の動機と目的

• 生物的または金融的データなどの共通の起源に起因する複雑なチャネル間相関を保持する多変量時系列（MTS）を生成する課題に対処すること。
• チャネル間の統計的および動的関係を保持する合成 MTS を生成することで、特に分類を含む下流タスクの性能を向上させること。
• 標準的な GAN や VAE が相関のある、起源が共通する MTS をモデル化する際に抱える制限を克服し、患者レベルの共有潜在表現を明示的に符号化すること。
• 医療や金融などのプライバシーが重要な分野におけるデータ共有と拡張を支援する、スケーラブルで並列処理可能な合成 MTS 生成フレームワークを提供すること。

提案手法

• 生成器は、1人の患者の生物学的または環境的状態を表す共通の潜在ノイズ ベクトルを用いて、すべての個々の時系列チャネルを生成する。
• 各チャネルは別個の生成器ヘッドによって独立に生成されるが、すべてが同じ潜在コードを共有しており、共通の起源表現を保証する。
• 中央集権的な識別器が、完全な多変量時系列を全体として評価し、チャネル間ダイナミクスおよび相関の保存を強制する。
• 訓練の目的関数は、現実性を確保する adversarial loss と、合成 MTS の相関行列を実際のものと一致させる相関保存損失を組み合わせる。
• チャネル固有の生成器の並列訓練が可能であり、相関の正確性を損なわず効率性が向上する。
• フレームワークはモジュラーであり、データの特性に応じてトランスフォーマーやその他の GAN 変種などの最新アーキテクチャと統合可能である。

実験結果

リサーチクエスチョン

• RQ1 GAN ベースのフレームワークは、共通の起源から生成された多変量時系列において、チャネル間相関を保持できるか？
• RQ2 共有潜在空間と中央集権的識別を強制することで、標準的な GAN と比較して下流タスクの分類性能が向上するか？
• RQ3 TimeGAN や Fourier Flows などの最先端手法と比較して、COSCI-GAN は実際の MTS の統計的性質をどれほど正確に保持できるか？
• RQ4 COSCI-GAN は、低データレジームにおけるデータ拡張に適した多様で現実的な合成 MTS を生成できるか？
• RQ5 COSCI-GAN は、チャネル数が少ない MTS においてスケーラビリティとパフォーマンスの点でどのような制限を抱えているか？

主な発見

• COSCI-GAN は、EEG エイドステートデータセットで最高の分類精度を達成し、TimeGAN や Fourier Flows と比較して統計的に有意な改善を示した。
• COSCI-GAN の合成相関行列と実際の相関行列との平均絶対誤差（MAE）は 0.111 ± 0.005 であり、TimeGAN（0.257 ± 0.008）や Fourier Flows（0.146 ± 0.006）と比較して顕著に低い値であった。
• t-SNE や PCA を用いた可視化分析により、COSCI-GAN のサンプルは実データよりも多様性に富み、潜在空間内でもより良好に分布していることが示された。
• COSCI-GAN は、医療や金融応用分野における高次元 MTS において、チャネル間ダイナミクスの保存が優れていた。
• この手法はスケーラブルで並列処理可能であり、トレーニングパフォーマンスの制限は観察されなかったが、2チャネル MTS では単純なベースライン手法が十分に性能を発揮するため、COSCI-GAN の性能は劣ることがあった。
• フレームワークはオープンソースであり、モジュラー設計を採用しており、さまざまな GAN アーキテクチャとの統合や、異種時系列タイプへの将来的な拡張が可能である。