[論文レビュー] IGANI: Iterative Generative Adversarial Networks for Imputation Applied to Prediction of Traffic Data.

Amir Kazemi, Hadi Meidani|arXiv (Cornell University)|Aug 11, 2020

Generative Adversarial Networks and Image Synthesis被引用数 7

ひとこと要約

本稿では、生成的補完器の可逆性を活用することで収束を保証する、反復的GANアーキテクチャIGANIを提案する。広州の交通データ上で評価した結果、従来のGANベースの手法よりも高い精度で欠損した交通速度データを補完しており、欠損値の再構築において優れた性能を示している。

ABSTRACT

Generative adversarial networks (GANs) are implicit generative models that can be used for data imputation as an unsupervised learning problem. This works introduces an iterative GAN architecture for data imputation based on the invertibility of the generative imputer. This property is a sufficient condition for the convergence of the proposed GAN architecture. The performance of imputation is demonstrated by applying different imputation algorithms on the traffic speed data from Guangzhou (China). It is shown that our proposed algorithm produces more accurate results compared to those of previous GAN-based imputation architectures.

研究の動機と目的

• 交通速度データセットにおける欠損データの課題に対処し、正確な交通予測や分析を妨げる要因を解消すること。
• 生成的補完器の可逆性を活用することで、収束を保証するGANベースの補完手法を開発すること。
• 実世界の交通データに対して、既存のGANベースのアーキテクチャと比較して補完精度を向上させること。

提案手法

• 欠損した交通速度値の妥当な補完を学習する生成器を備えた反復的GANフレームワークを提案する。
• 可逆な生成器アーキテクチャを採用することで、補完プロセスが逆転可能であり、理論的な収束保証が可能になる。
• 識別器を用いて実データと生成（補完）データを区別し、敵対的訓練によって生成器を改善する。
• 反復的精錬を適用：生成器が複数の訓練ステップにわたり段階的に補完を改善し、再構築品質を向上させる。
• 観測済みの交通速度データのみを用いて、教師なしでエンドツーエンドにモデルを訓練する。
• 反復的GANプロセスの収束に十分な条件として、可逆性の数学的性質に依存する。

実験結果

リサーチクエスチョン

• RQ1 可逆的生成モデルを効果的に活用することで、交通データのGANベース補完フレームワークにおける収束を保証できるか？
• RQ2 IGANIにおける反復的精錬プロセスは、非反復的GAN手法と比較して、補完精度をどのように向上させるか？
• RQ3 IGANIは、実世界の交通速度データセットにおいて、既存のGANベース補完アーキテクチャをどの程度上回るか？

主な発見

• 生成的補完器の可逆性が収束の十分条件を提供し、反復的GANの安定した学習を可能にする。
• IGANIは、広州の交通速度データにおいて、従来のGANベースの手法よりも高い補完精度を達成している。
• 反復的トレーニングプロセスにより、欠損値の再構築が段階的に改善され、全体的なデータ品質が向上する。
• 教師なし設定でも良好な性能を発揮し、トレーニングにラベル付き欠損データを必要としない。
• 実験的結果から、IGANIが再構築忠実度の観点でベースラインのGANベース補完アーキテクチャを上回ることが確認された。