Benutzer: Gast  Login
Wenn Sie Schwierigkeiten haben, das Dokument zu öffnen, versuchen Sie auch bitte diesen Link
Originaltitel:
Generative Adversarial Networks for Time Series Generation and Translation
Übersetzter Titel:
Generative Adversarial Networks für Zeitreihen Generierung und Translation
Autor:
Arnout, Hiba
Jahr:
2022
Dokumenttyp:
Dissertation
Fakultät/School:
TUM School of Computation, Information and Technology
Betreuer:
Runkler, Thomas (Prof. Dr.)
Gutachter:
Runkler, Thomas (Prof. Dr.); Bungartz, Hans-Joachim (Prof. Dr.)
Sprache:
en
Fachgebiet:
DAT Datenverarbeitung, Informatik
TU-Systematik:
DAT 500
Kurzfassung:
We develop private and non-private methods to enable an efficient synthesis of data for time series datasets. While ClaRe-GAN is proposed to produce more data for an original dataset, DR-TiST maps time series across different application domains to synthesize new data depicting non-explicit conditions. We present novel methods to assess the data quality and show through numerous experiments that our algorithms and their private variants outperform the state-of-the-art algorithms.
Übersetzte Kurzfassung:
Wir entwickeln private und nicht-private Methoden, um eine effiziente Synthese von Daten für Zeitreihendatensätze zu ermöglichen. Während ClaRe-GAN vorgeschlagen wird, um mehr Daten für einen Originaldatensatz zu erzeugen, bildet DR-TiST Zeitreihen über verschiedene Anwendungsbereiche hinweg ab, um neue Daten zu synthetisieren, die nicht explizite Bedingungen abbilden. Wir stellen neuartige Methoden zur Bewertung der Datenqualität vor und zeigen in zahlreichen Experimenten, dass unsere Algorithm...     »
WWW:
https://mediatum.ub.tum.de/?id=1660191
Eingereicht am:
22.06.2022
Mündliche Prüfung:
02.12.2022
Dateigröße:
16447866 bytes
Seiten:
151
Urn (Zitierfähige URL):
https://nbn-resolving.de/urn/resolver.pl?urn:nbn:de:bvb:91-diss-20221202-1660191-1-9
Letzte Änderung:
30.11.2023
 BibTeX