[论文解读] 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 7

一句话总结

本文提出IGANI，一种基于生成填补器可逆性的迭代生成对抗网络架构，用于填补缺失的交通速度数据，该方法可确保收敛。在广州市交通数据上的评估表明，IGANI在填补精度上优于以往基于GAN的方法，展现出在重建缺失值方面的优越性能。

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.

研究动机与目标

• 为解决交通速度数据集中缺失数据的问题，该问题会阻碍准确的交通预测与分析。
• 开发一种基于GAN的填补方法，通过生成填补器的可逆性确保收敛。
• 与现有基于GAN的架构相比，提升真实世界交通数据的填补精度。

提出的方法

• 提出一种迭代式GAN框架，其中生成器学习生成缺失交通速度值的合理填补结果。
• 采用可逆生成器架构，确保填补过程可逆，从而提供理论上的收敛性保证。
• 使用判别器区分真实数据与生成（填补）数据，通过对抗训练优化生成器。
• 应用迭代优化：生成器在多个训练步骤中逐步改进填补结果，提升重建质量。
• 仅使用观测到的交通速度数据，以端到端无监督方式训练模型。
• 依赖可逆性这一数学性质，作为迭代GAN过程收敛的充分条件。

实验结果

研究问题

• RQ1 可逆生成模型能否有效用于确保基于GAN的交通数据填补框架中的收敛性？
• RQ2 IGANI中的迭代优化过程相比非迭代GAN方法，在提升填补精度方面有何优势？
• RQ3 IGANI在真实世界交通速度数据集上相较于现有基于GAN的填补架构，性能提升程度如何？

主要发现

• 生成填补器的可逆性提供了收敛的充分条件，使迭代GAN训练过程更加稳定。
• IGANI在广州市交通速度数据上的填补精度高于以往基于GAN的方法。
• 迭代训练过程使缺失值的重建质量逐步提升，整体数据质量得到改善。
• 该模型在无监督设置下表现良好，训练无需标注的缺失数据。
• 实证结果证实，IGANI在重建保真度方面优于基线的基于GAN的填补架构。