Time Series (re)sampling using Generative Adversarial Networks
使用生成对抗网络对时间序列进行重抽样AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要明确研究平稳时间序列的生成、依赖数据重抽样和 AR(1) 自助推断。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
关注这篇论文的作者
使用生成对抗网络对时间序列进行重抽样
- 研究问题
- 能否仅用一条平稳时间序列样本路径训练生成对抗网络，生成保留动态特征的样本，并用于依赖数据的自助推断？
- 方法与思路
- 作者以时间卷积网络构建生成器和判别器，从独立正态噪声生成序列，并在 AR(1) 模拟中比较循环区块自助法。
- 材料陈述的贡献
- 摘要称 GAN 能学习常见平稳过程的动态，提出相应自助程序，并在所述模拟中发现经验覆盖率可能优于循环区块法。
- 阅读关注点
- 应核对网络训练与样本长度要求、生成序列对依赖结构的保留、覆盖率比较的设计，以及是否建立自助法有效性理论。
- 阅读边界
- 所据为 arXiv 预印本，不能据此确认同行评审或期刊接收；摘要未陈述一般渐近有效性，AR(1) 覆盖率结果不能普遍外推。
原文摘要
We propose a novel bootstrap procedure for dependent data based on Generative Adversarial networks (GANs). We show that the dynamics of common stationary time series processes can be learned by GANs and demonstrate that GANs trained on a single sample path can be used to generate additional samples from the process. We find that temporal convolutional neural networks provide a suitable design for the generator and discriminator, and that convincing samples can be generated on the basis of a vector of iid normal noise. We demonstrate the finite sample properties of GAN sampling and the suggested bootstrap using simulations where we compare the performance to circular block bootstrapping in the case of resampling an AR(1) time series processes. We find that resampling using the GAN can outperform circular block bootstrapping in terms of empirical coverage.