[논문 리뷰] Generative adversarial networks in time series: A survey and taxonomy

Eoin Brophy, Zhengwei Wang외 2명|arXiv (Cornell University)|2021. 07. 23.

Generative Adversarial Networks and Image Synthesis참고 문헌 96인용 수 46

한 줄 요약

이 논문은 시계열 GAN 변형을 조사하고 이산-변형(discrete-variant)과 연속-변형(continuous-variant) GAN으로 분류하는 분류학을 제안하며, 아키텍처, 평가 지표, 프라이버시 고려사항을 논의한다.

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.

연구 동기 및 목표

• 시계열 생성 및 예측에 적용된 GAN에 대한 포괄적 검토를 제공한다.
• 이산-변형과 연속-변형 시계열 GAN을 구분하는 분류학을 제안한다.
• 이 도메인에서의 아키텍처, 손실 함수, 평가 지표, 데이터셋 및 프라이버시 고려사항을 요약한다.

제안 방법

• 시계열 GAN을 이산-변형 및 연속-변형 범주로 분류하는 분류학을 제시한다.
• 대표 모델들(예: SeqGAN, C-RNN-GAN, RCGAN, TimeGAN, SigCWGAN)과 그 아키텍처를 요약하고 비교한다.
• 훈련 도전과제(안정성, 경사 소실, 모드 붕괴), 평가 방법, 프라이버시 위험을 논의한다.
• 시계열 GAN 연구에 사용되는 인기 데이터셋과 표준 벤치마킹 데이터셋의 부족을 검토한다.
• 합성 시계열 데이터와 관련된 프라이버시 보존 측면 및 규제 고려사항을 설명한다.

실험 결과

연구 질문

• RQ1 주요 시계열 GAN 유형은 무엇이며(이산-변형 대 연속-변형) 그 특성 아키텍처는 어떤 것들이 있는가?
• RQ2 시계열 GAN의 일반적인 훈련 도전과제와 평가 지표는 무엇인가?
• RQ3 합성 시계열 데이터에 관련된 프라이버시 위험과 보호책은 무엇인가?
• RQ4 시계열 GAN 연구에서 사용되는 데이터셋과 벤치마크는 무엇이며 표준화의 어떤 차이가 존재하는가?

주요 결과

• 이산-변형 및 연속-변형 시계열 GAN으로 구성된 두 부분 분류학을 도입한다.
• 주요 시계열 GAN 모델들에서 아키텍처, 손실 함수, 응용을 종합한다.
• 훈련 안정성, 평가 및 프라이버시를 시계열 GAN의 핵심 도전과제로 강조한다.
• 시계열 GAN을 위한 표준화된 벤치마킹 데이터셋과 지표의 부족을 지적한다.
• 문헌에서 검토된 인기 데이터셋과 실세계 응용을 기록한다.
• 합성 데이터에 대한 프라이버시 보존 접근법과 규제 고려사항을 검토한다.