[論文レビュー] Variational Autoencoder Generative Adversarial Network for Synthetic Data Generation in Smart Home

Mina Razghandi, Hao Zhou+2 more|arXiv (Cornell University)|Jan 19, 2022

Energy Load and Power Forecasting被引用数 7

ひとこと要約

本論文は、スマートホームにおける高精細な合成時系列データを生成するための変分自己オートエンコーダー生成対抗ネットワーク（VAE-GAN）を提案する。GANの生成能力とVAEの正則化された潜在空間を組み合わせることで、モード崩壊を回避する。VAE-GANは、分布的乖離を著しく低減（例：負荷データではKLダイバージェンスが97％削減）し、複数の指標において実データと優れた統計的類似性を達成する。

ABSTRACT

Data is the fuel of data science and machine learning techniques for smart grid applications, similar to many other fields. However, the availability of data can be an issue due to privacy concerns, data size, data quality, and so on. To this end, in this paper, we propose a Variational AutoEncoder Generative Adversarial Network (VAE-GAN) as a smart grid data generative model which is capable of learning various types of data distributions and generating plausible samples from the same distribution without performing any prior analysis on the data before the training phase.We compared the Kullback-Leibler (KL) divergence, maximum mean discrepancy (MMD), and Wasserstein distance between the synthetic data (electrical load and PV production) distribution generated by the proposed model, vanilla GAN network, and the real data distribution, to evaluate the performance of our model. Furthermore, we used five key statistical parameters to describe the smart grid data distribution and compared them between synthetic data generated by both models and real data. Experiments indicate that the proposed synthetic data generative model outperforms the vanilla GAN network. The distribution of VAE-GAN synthetic data is the most comparable to that of real data.

研究の動機と目的

• スマートグリッド応用におけるプライバシーとデータ不足の課題に対処するため、スマートホーム用の現実的でリアルな合成時系列データを生成すること。
• 事前のデータ分析や潜在分布に関する仮定を一切必要としない、データ駆動型の生成モデルを開発すること。
• vanilla GANの欠陥を改善し、生成された電力負荷および太陽光発電生産データの忠実性を向上させること。
• 複数の統計的および分布的指標を用いて、ベースラインGANと比較して提案モデルの性能を評価すること。

提案手法

• 提案されたVAE-GANは、GANフレームワーク内に変分自己オートエンコーダー（VAE）を生成器として統合し、分離可能で正則化された潜在表現を可能にする。
• VAE部は、訓練の安定性を向上させるとともに、生成プロセス中のモード崩壊を低減する構造的潜在空間を学習する。
• GANフレームワーク内の識別器は、実データと合成データを区別し、生成器の品質向上に向けた対抗的フィードバックを提供する。
• モデルは、前処理や分布に関する仮定なしに、生のスマートホーム時系列データ（電力負荷および太陽光発電）をエンドツーエンドで訓練する。
• 統計的指標として、KLダイバージェンス、ワッサーシュタイン距離、MMDが、実データと合成データの間の分布的類似性を定量化するために用いられる。
• 実データと合成データの間で、5つの主要統計パラメータ（ベース負荷、ピーク負荷、高負荷時間、上昇／下降時間）を比較し、忠実性を評価する。

実験結果

リサーチクエスチョン

• RQ1 VAE-GANモデルは、実電力負荷および太陽光発電データの統計的および分布的特性に近い合成スマートホームデータを生成できるか？
• RQ2 分布的類似性および統計的忠実性の観点から、VAE-GANモデルはvanilla GANと比べてどのように異なるか？
• RQ3 GAN生成器にVAEを組み込むことで、モード崩壊はどの程度低減され、データの多様性はどのように向上するか？
• RQ4 VAE-GANモデルは、負荷消費および太陽光発電生成といった異なる種類のスマートホームデータにおいても高い性能を維持できるか？

主な発見

• VAE-GANは、vanilla GANと比較して、電力負荷消費の分布間のKullback–Leibler（KL）ダイバージェンスを97％低減した。
• 太陽光発電データに関しては、VAE-GANがベースラインGANと比較してKLダイバージェンスを98％低減した。
• 負荷消費に関しては、VAE-GANを用いることで実データと合成データの間のワッサーシュタイン距離が52％低減され、太陽光発電では72％低減された。
• MMD指標では、負荷データに関しては分布差が51％低減され、太陽光発電データでは48％低減された。
• 統計的比較において、VAE-GANが生成したデータは5つの主要パラメータ（ベース負荷、ピーク負荷、高負荷時間、上昇時間）のうち4つにおいて実データに最も近かった。特にピーク負荷は、実データ（151.39）と比較して119.85と最も正確に再現された。
• VAE-GANは平均ベース負荷1.73（標準偏差10.99）を達成し、GANの3.53（標準偏差22.34）と比較して、実データ（9.75、標準偏差51.13）にはるかに近い値を示した。