Data-Driven Modeling of Noise Time Series with Convolutional Generative Adversarial Networks

要約

物理プロセスから生じるランダム ノイズは、測定に固有の特性であり、ほとんどの信号処理およびデータ分析タスクの制限要因となります。
データ駆動型モデリングのための敵対的生成ネットワーク (GAN) に対する最近の関心を考慮すると、GAN がターゲット データセット内のノイズをどの程度忠実に再現できるかを判断することが重要です。
本稿では、この問題を時系列で明らかにすることを目的とした実証研究を紹介します。
つまり、一般的な深層畳み込み GAN (DCGAN) アーキテクチャ、直接時系列モデルと短時間フーリエ変換 (STFT) データ表現を使用する画像ベース モデルに基づく時系列の 2 つの汎用 GAN を評価します。
GAN モデルは、既知のグラウンド トゥルース パラメーターを使用してシミュレートされたノイズ時系列の分布を使用してトレーニングされ、定量的に評価されます。
対象となる時系列分布には、物理​​測定、エレクトロニクス、通信システムで一般的に発生する広範なノイズ タイプ (帯域制限された熱ノイズ、べき乗則ノイズ、ショット ノイズ、インパルス性ノイズなど) が含まれます。
GAN は多くの種類のノイズを学習できることがわかりましたが、GAN アーキテクチャがノイズの一部の側面 (極端な外れ値を含む衝撃的な時系列など) に適していない場合には、予想通り苦戦することが予想されます。
私たちの調査結果は、時系列 GAN に対する現在のアプローチの機能と潜在的な限界についての洞察を提供し、さらなる研究の余地がある領域を浮き彫りにします。
さらに、一連のテストは、時系列の詳細な生成モデルの開発を支援する有用なベンチマークを提供します。

要約(オリジナル)

Random noise arising from physical processes is an inherent characteristic of measurements and a limiting factor for most signal processing and data analysis tasks. Given the recent interest in generative adversarial networks (GANs) for data-driven modeling, it is important to determine to what extent GANs can faithfully reproduce noise in target data sets. In this paper, we present an empirical investigation that aims to shed light on this issue for time series. Namely, we assess two general-purpose GANs for time series that are based on the popular deep convolutional GAN (DCGAN) architecture, a direct time-series model and an image-based model that uses a short-time Fourier transform (STFT) data representation. The GAN models are trained and quantitatively evaluated using distributions of simulated noise time series with known ground-truth parameters. Target time series distributions include a broad range of noise types commonly encountered in physical measurements, electronics, and communication systems: band-limited thermal noise, power law noise, shot noise, and impulsive noise. We find that GANs are capable of learning many noise types, although they predictably struggle when the GAN architecture is not well suited to some aspects of the noise, e.g., impulsive time-series with extreme outliers. Our findings provide insights into the capabilities and potential limitations of current approaches to time-series GANs and highlight areas for further research. In addition, our battery of tests provides a useful benchmark to aid the development of deep generative models for time series.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google