[论文解读] Learn to Generate Time Series Conditioned Graphs with Generative Adversarial Nets.

Shanchao Yang, Jing Liu+2 more|arXiv (Cornell University)|Mar 3, 2020

Bioinformatics and Genomic Networks参考文献 30被引用 5

一句话总结

该论文提出TSGG-GAN，一种新型生成对抗网络，能够基于多变量时间序列数据生成关系图，建模节点层面的关系（如基因调控网络）。通过联合学习时间序列与图表示，该方法捕捉语义依赖关系，在合成数据集和真实世界数据集上生成的图更具现实感且上下文一致，性能优于基线模型。

ABSTRACT

Deep learning based approaches have been utilized to model and generate graphs subjected to different distributions recently. However, they are typically unsupervised learning based and unconditioned generative models or simply conditioned on the graph-level contexts, which are not associated with rich semantic node-level contexts. Differently, in this paper, we are interested in a novel problem named Time Series Conditioned Graph Generation: given an input multivariate time series, we aim to infer a target relation graph modeling the underlying interrelationships between time series with each node corresponding to each time series. For example, we can study the interrelationships between genes in a gene regulatory network of a certain disease conditioned on their gene expression data recorded as time series. To achieve this, we propose a novel Time Series conditioned Graph Generation-Generative Adversarial Networks (TSGG-GAN) to handle challenges of rich node-level context structures conditioning and measuring similarities directly between graphs and time series. Extensive experiments on synthetic and real-word gene regulatory networks datasets demonstrate the effectiveness and generalizability of the proposed TSGG-GAN.

研究动机与目标

• 解决现有图生成模型缺乏对丰富节点级时间序列上下文条件建模的缺陷。
• 将时间序列分量（如基因）之间的相互关系建模为基于其时间行为的动态图结构。
• 开发统一框架，用于度量时间序列与生成图之间的相似性，以提升训练与评估效果。
• 在系统生物学等领域实现可解释且泛化能力强的图生成，其中时间序列数据反映了潜在的调控机制。

提出的方法

• TSGG-GAN采用条件生成对抗网络框架，其中生成器基于输入的多变量时间序列生成图。
• 生成器使用图神经网络（GNN）来建模从时间序列嵌入中提取的节点表示。
• 判别器通过时间序列和图级特征的监督，学习区分真实图（来自数据）与生成图。
• 通过注意力机制实现节点级条件建模，使时间序列表示与图结构学习对齐。
• 通过结合对抗损失与重构损失的多目标损失函数，联合优化图的真实性与时间序列保真度。
• 时间序列通过时间编码器（如LSTM或Transformer）进行嵌入，为生成器提供上下文输入。

实验结果

研究问题

• RQ1 生成模型能否生成真实反映时间序列分量之间动态相互关系的图？
• RQ2 该模型在多大程度上能从时间序列数据中捕捉节点级语义结构以指导图生成？
• RQ3 与无条件或仅基于图级别的条件模型相比，基于时间序列的条件建模在多大程度上提升了生成图的真实性与可解释性？
• RQ4 该模型在多样化的时间序列模式和真实世界生物数据集上的泛化能力如何？

主要发现

• TSGG-GAN在图生成质量方面优于基线模型，衡量指标包括结构相似性与节点属性重构。
• 该模型在生成保留真实基因调控网络中底层相互依赖关系的图方面表现出更高保真度。
• 基于时间序列的条件生成相比无条件或图级别条件基线，生成的图结构更具可解释性与生物学合理性。
• 该模型在未见过的时间序列模式上表现出良好泛化能力，在合成数据集与真实世界数据集上均展现出鲁棒性。