[논문 리뷰] T-CGAN: Conditional Generative Adversarial Network for Data Augmentation in Noisy Time Series with Irregular Sampling

Giorgia Ramponi, Pavlos Protopapas외 2명|arXiv (Cornell University)|2018. 11. 20.

Image and Signal Denoising Methods참고 문헌 11인용 수 85

한 줄 요약

T-CGAN은 시간 조건부 CGAN을 사용하여 불규칙하게 샘플링되고 노이즈가 있는 시계열 데이터를 생성해 데이터 증강을 수행하고, 특히 작은 데이터셋이나 불균형 데이터셋에서 분류를 개선합니다.

ABSTRACT

In this paper we propose a data augmentation method for time series with irregular sampling, Time-Conditional Generative Adversarial Network (T-CGAN). Our approach is based on Conditional Generative Adversarial Networks (CGAN), where the generative step is implemented by a deconvolutional NN and the discriminative step by a convolutional NN. Both the generator and the discriminator are conditioned on the sampling timestamps, to learn the hidden relationship between data and timestamps, and consequently to generate new time series. We evaluate our model with synthetic and real-world datasets. For the synthetic data, we compare the performance of a classifier trained with T-CGAN-generated data, against the performance of the same classifier trained on the original data. Results show that classifiers trained on T-CGAN-generated data perform the same as classifiers trained on real data, even with very short time series and small training sets. For the real world datasets, we compare our method with other techniques of data augmentation for time series, such as time slicing and time warping, over a classification problem with unbalanced datasets. Results show that our method always outperforms the other approaches, both in case of regularly sampled and irregularly sampled time series. We achieve particularly good performance in case with a small training set and short, noisy, irregularly-sampled time series.

연구 동기 및 목표

• 불규칙한 샘플링과 노이즈가 있는 시계열에 대한 데이터 증강의 필요성 제기.
• 타임스탬프에 명시적으로 조건을 두는 CGAN 기반 방법을 개발한다.
• 생성된 불규칙 시계열이 분류 작업을 위한 실제 데이터 분포와 일치할 수 있음을 보인다.

제안 방법

• 시간 정보를 고려하는 CGAN을 제안하며 생성자와 판별자 모두 타임스탬프에 조건을 둔다.
• G에 deconvolutional neural network를 사용하고 D에 convolutional neural network를 사용한다.
• Train with a min-max objective that conditions on time: min_G max_D E[x~p_data(x)][log D(x|t)] + E[z~p_z(z)][log(1-D(G(z|t)))] .
• 합성 sine 대 sawtooth 데이터에 대한 평가와 불규칙 샘플링 및 누락 데이터가 있는 실제 데이터셋에 대한 평가.

실험 결과

연구 질문

• RQ1 T-CGAN이 타임스탬프를 조건으로 하여 현실적인 불규칙 샘플링 시계열을 생성할 수 있는가?
• RQ2 합성 설정에서 T-CGAN 증강 데이터로 학습된 분류기가 실제 데이터로 학습된 분류기와 비교할 만한 성능을 보이는가?
• RQ3 실제 불규칙 샘플링 시계열에서 다른 증강 방법들(시간 슬라이싱, 시간 왜곡)보다 T-CGAN이 우수한가?
• RQ4 실세계의 불균형 시계열 데이터셋에서 클래스 불균형을 해소하는 데 T-CGAN이 효과적인가?
• RQ5 다양한 누락 데이터 수준과 불규칙 샘플링 하에서 T-CGAN의 성능은 어떻게 나타나는가?

주요 결과

• T-CGAN으로 생성된 데이터로 학습된 분류기는 합성 불규칙 시계열에서 실제 데이터로 학습된 분류기와 AUROC가 비슷하다.
• 실제 데이터셋에서 T-CGAN은 불균형 분류 과제에서 정규 샘플링 및 불규칙 샘플링 모두에 대해 time slicing과 time warping보다 우수하다.
• 작은 학습 데이터와 짧고 시끄럽고 불규칙하게 샘플링된 시계열에서도 T-CGAN이 강한 성능을 보인다.
• 불규칙 샘플링이 누락 데이터를 증가시켜도 T-CGAN은 강건하며 대체 증강 방법에 비해 우수한 AUROC를 유지한다.