Generative Adversarial Networks for Time Series Generation and Translation

Arnout, Hiba

Hiba Arnout

If you experience problems opening the document, please try this link.

Original title:: Generative Adversarial Networks for Time Series Generation and Translation
Translated title:: Generative Adversarial Networks für Zeitreihen Generierung und Translation
Author:: Arnout, Hiba
Year:: 2022
Document type:: Dissertation
Faculty/School:: TUM School of Computation, Information and Technology
Advisor:: Runkler, Thomas (Prof. Dr.)
Referee:: Runkler, Thomas (Prof. Dr.); Bungartz, Hans-Joachim (Prof. Dr.)
Language:: en
Subject group:: DAT Datenverarbeitung, Informatik
TUM classification:: DAT 500
Abstract:: 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.
Translated abstract:: 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 Algorithmen und ihre privaten Varianten die modernsten Algorithmen übertreffen. «
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
Date of submission:: 22.06.2022
Oral examination:: 02.12.2022
File size:: 16447866 bytes
Pages:: 151
Urn (citeable URL):: https://nbn-resolving.de/urn/resolver.pl?urn:nbn:de:bvb:91-diss-20221202-1660191-1-9
Last change:: 30.11.2023
BibTeX