[論文レビュー] Generative adversarial networks in time series: A survey and taxonomy

Eoin Brophy, Zhengwei Wang+2 more|arXiv (Cornell University)|Jul 23, 2021

Generative Adversarial Networks and Image Synthesis参考文献 96被引用数 46

ひとこと要約

本論文は時系列のGANバリアントを調査し、離散バリアントと連続バリアントのGANを分割する分類法を提案し、アーキテクチャ、評価指標、プライバシーの考慮事項について論じる。

ABSTRACT

Generative adversarial networks (GANs) studies have grown exponentially in the past few years. Their impact has been seen mainly in the computer vision field with realistic image and video manipulation, especially generation, making significant advancements. While these computer vision advances have garnered much attention, GAN applications have diversified across disciplines such as time series and sequence generation. As a relatively new niche for GANs, fieldwork is ongoing to develop high quality, diverse and private time series data. In this paper, we review GAN variants designed for time series related applications. We propose a taxonomy of discrete-variant GANs and continuous-variant GANs, in which GANs deal with discrete time series and continuous time series data. Here we showcase the latest and most popular literature in this field; their architectures, results, and applications. We also provide a list of the most popular evaluation metrics and their suitability across applications. Also presented is a discussion of privacy measures for these GANs and further protections and directions for dealing with sensitive data. We aim to frame clearly and concisely the latest and state-of-the-art research in this area and their applications to real-world technologies.

研究の動機と目的

• 時系列の生成と予測に適用されたGANの総合的なレビューを提供する。
• 離散バリアントと連続バリアントの時系列GANを区別する分類法を提案する。
• この領域におけるアーキテクチャ、損失関数、評価指標、データセット、プライバシーの考慮事項を要約する。

提案手法

• 時系列GANを離散-バリアントと連続-バリアントのカテゴリに分類する分類法を提示する。
• 代表的なモデル（例：SeqGAN、C-RNN-GAN、RCGAN、TimeGAN、SigCWGAN）とそのアーキテクチャを要約・比較する。
• 学習の課題（安定性、勾配消失、モード崩壊）、評価手法、およびプライバシーリスクについて論じる。
• 時系列GAN研究で用いられる人気データセットと標準的なベンチマークデータセットの不足をレビューする。
• 合成時系列データに関連するプライバシー保護の側面と規制上の考慮事項を説明する。

実験結果

リサーチクエスチョン

• RQ1 時系列GANの主なタイプ（離散-バリアント対連続-バリアント）とそれらの特徴的なアーキテクチャは何か。
• RQ2 時系列GANの一般的な学習課題と評価指標は何か。
• RQ3 合成時系列データに関連するプライバシーリスクと保護策は何か。
• RQ4 時系列GAN研究で使用されるデータセットとベンチマークは何か、標準化の欠陥にはどのようなギャップがあるか。

主な発見

• 離散-バリアントと連続-バリアントの時系列GANの2部構成の分類法を導入する。
• 主要な時系列GANモデル全体のアーキテクチャ、損失、応用を総合する。
• 学習の安定性、評価、プライバシーを時系列GANの中核的課題として強調する。
• 時系列GANの標準化されたベンチマークデータセットと指標の欠如を指摘する。
• 文献でレビューされた一般的なデータセットと実世界の応用を記録する。
• 合成データのプライバシー保護アプローチと規制上の考慮事項をレビューする。