Der Artikel stellt einen innovativen Ansatz für das generative Sampling von multivariaten Zeitreihen als Bilder vor. Im Gegensatz zu herkömmlichen Methoden, die auf einer kanonischen Verteilung sampeln und dann decodieren, schlägt der Ansatz vor, direkt im dualen Divergenzraum der Datenverteilung zu sampeln.
Dafür wird zunächst die KL-Divergenz der Datenverteilung zur Randverteilung in ihrer dualen Form geschätzt, um die Abhängigkeitsstruktur zwischen den Dimensionen (Pixeln) implizit zu charakterisieren. Zusätzlich wird die Divergenz lokal zwischen nächsten Nachbarn geschätzt, um eine feinkörnigere Darstellung der Datenverteilung im dualen Raum zu erhalten.
Basierend auf dieser Repräsentation können dann neuartige Samples durch einen Gradientenabstieg im dualen Raum zwischen den Clustern generiert werden. Um die Robustheit zu erhöhen, wird auch die Divergenz der generierten Samples zur Datenverteilung geschätzt.
Der Ansatz bietet theoretische Garantien und zeigt in umfangreichen Experimenten auf vielen Datensätzen aus verschiedenen Domänen eine überlegene Leistung gegenüber state-of-the-art Deep-Learning-Methoden.
To Another Language
from source content
arxiv.org
Principais Insights Extraídos De
by Sahil Garg,A... às arxiv.org 04-12-2024
https://arxiv.org/pdf/2404.07377.pdfPerguntas Mais Profundas