Autoencoders and Generative Adversarial Networks for Imbalanced Sequence Classification
Northwestern University(西北大学)
生成对抗网络(GANs)已被用于许多不同的应用中,以生成真实的合成数据。我们引入了一种新的GAN与自动编码器(GAN-AE)架构,以生成可变长度,多特征序列数据集的合成样本。在该模型中,我们开发了一个带有额外自动编码器组件的GAN架构,其中递归神经网络(RNN)用于模型的每个组件,以生成合成数据,从而提高高度不平衡医疗器械数据集的分类准确性。除了医疗设备数据集之外,我们还评估了GAN-AE在两个额外数据集上的性能,并演示了GAN-AE在序列到序列任务中的应用,其中必须生成合成序列输入和序列输出。为了评估合成数据的质量,我们在有和没有合成数据的情况下训练编码器-解码器模型,并比较分类模型的性能。我们表明,用GAN-AE生成的合成数据训练的模型优于用标准过采样技术(如SMOTE和自动编码器)以及最先进的基于GAN的模型生成的合成数据训练的模型。
2022-10-06 cs.LG stat.ML
Generating Spatial Synthetic Populations Using Wasserstein Generative Adversarial Network: A Case Study with EU-SILC Data for Helsinki and Thessaloniki
NORCE Norwegian Research Center AS(挪威NORCE研究中心);Centre for Modelling Social Systems(社会系统建模中心)
本研究利用 Wasserstein 生成对抗网络结合 EU-SILC 数据,为赫尔辛基和塞萨洛尼基生成空间合成人口,发现平衡数据与边缘特征表征不足是当前深度生成方法面临的主要挑战,可能导致模拟歧视。
2025-01-27 cs.LG cs.MA
Struc2mapGAN: improving synthetic cryo-EM density maps with generative adversarial networks
针对现有模拟方法无法生成冷冻电镜复杂特征的问题,提出struc2mapGAN,利用生成对抗网络和嵌套U-Net架构从分子结构生成高质量类实验密度图,在多项指标上超越现有方法。
2025-03-03 cs.LG q-bio.BM
Deceptive Diffusion: Generating Synthetic Adversarial Examples
School of Mathematics, University of Edinburgh(爱丁堡大学数学学院);School of Computing Science, University of Glasgow(格拉斯哥大学计算科学学院)
本文提出欺骗性扩散概念,训练生成式AI直接产生任意数量的对抗图像,可用于大规模增强防御训练,并揭示了扩散模型在部分训练数据被隐秘毒化时会按比例生成误导输出的新脆弱性。
2024-06-28 cs.AI cs.LG
Fully Embedded Time-Series Generative Adversarial Networks
University of Tennessee(田纳西大学)
针对时间序列GAN训练不稳定、易模式崩溃的问题,提出FETSGAN,结合seq2seq风格AAE与FAT算子,在时间相似性和预测能力上显著优于现有方法。
2024-05-13 cs.LG
ECGAN: Self-supervised generative adversarial network for electrocardiography
University of Pisa(比萨大学)
高质量的合成数据可以支持为生物医学任务开发有效的预测模型,特别是在罕见疾病或受到强制性隐私限制时。例如,这些限制对关于心律失常的心电图数据集的开放获取产生负面影响。这项工作介绍了一种自我监督的方法来生成合成心电图时间序列,这被证明是促进形态学的可扩展性。我们的模型(ECGAN)允许调节特定节律异常的生成过程,增强样本之间的同步性和多样性。还定义了专用样本质量评估框架,利用心律失常分类器。实证结果突出了对国家的最先进的生成模型的序列和音频合成的实质性改善。
2023-01-23 cs.LG
Synthetic Magnetic Resonance Images with Generative Adversarial Networks
数据增强对于医学研究至关重要,可以增加训练数据集的大小并获得更好的结果。在这项工作中,我们实验三个GAN架构不同的损失函数,以产生新的大脑MRI。结果表明,超参数调整的重要性,并使用小批量相似层的鉴别和梯度惩罚的损失函数,以实现高质量和现实的收敛。此外,需要大量的计算时间来从原始数据集生成无法区分的图像。
2020-01-17 cs.LG eess.IV stat.ML
Statistical Guarantees in Synthetic Data through Conformal Adversarial Generation
WorkOnward Inc WOW AI Labs California(WorkOnward公司WOW AI实验室加州);Department of Computer Science California State University Long Beach(计算机科学系加州州立大学长滩分校);Department of Computer Science Emory University(计算机科学系埃默里大学)
本文提出Conformalized GAN(cGAN)框架,将多种保形预测方法融入GAN,为合成数据提供无分布不确定性量化、有限样本有效性与渐近效率保证。
2025-05-11 cs.AI cs.LG
Unsupervised Detection of Lung Nodules in Chest Radiography Using Generative Adversarial Networks
University of Waterloo(滑铁卢大学)
肺结节在胸片中常被漏诊。我们提出并评估P-AnoGAN,一种用于X光片中肺结节的无监督异常检测方法。P-Ano GAN通过利用渐进式GAN和卷积编码器-解码器-编码器流水线来修改快速异常检测生成对抗网络(f-Ano GAN)。模型训练仅使用从印第安纳大学胸部X射线收集中提取的未标记的健康肺部补丁。使用分别从ChestX-ray 14和日本放射技术学会数据集提取的健康和不健康补丁进行外部验证和测试。我们的模型在外部验证和测试数据中鲁棒地识别了包含肺结节的斑块,ROC-AUC分别为91.17%和87.89%。这些结果表明,无监督的方法可能是有用的,在具有挑战性的任务,如肺结节检测X光片。
2021-08-04 cs.CV cs.LG eess.IV
Generative adversarial networks vs large language models: a comparative study on synthetic tabular data generation
Cumming School of Medicine(卡明医学院);University of Calgary(卡尔加里大学)
本文提出基于GPT-4o自然语言提示的零样本表格数据生成框架,并在三个数据集上与CTGAN比较,证明其在统计保真度和隐私上更优。
2025-02-20 cs.CL cs.LG
Bone Suppression on Chest Radiographs With Adversarial Learning
Imaging Biomarkers and Computer-aided Diagnosis Laboratory, Radiology and Imaging Sciences, National Institutes of Health Clinical Center(美国国立卫生研究院临床中心放射学与成像科学部成像生物标志物和计算机辅助诊断实验室);Ping An Technology Co., Ltd.(平安科技有限公司)
双能量(DE)胸部X线摄影能够选择性地对两种临床相关材料(即软组织和骨性结构)进行成像,以更好地表征各种胸部病理学,并可能改善后前位(PA)胸部X线摄影的诊断。然而,DE成像需要专门的硬件和比传统放射线照相术更高的辐射剂量,并且运动伪影有时会由于患者的不自主运动而发生。在这项工作中,我们学习传统的射线照片和骨抑制射线照片之间的映射。具体来说,我们建议利用两种变化的生成对抗网络(GANs)的图像到图像之间的传统和骨抑制的X光片DE成像技术获得的翻译。我们比较了训练的有效性与患者明智的配对和未配对的X光片。实验表明,这两种训练策略都能产生“放射现实”的放射照片,在保持测试集上具有抑制的骨骼结构和很少的运动伪影。虽然当使用两个客观图像质量指标(即结构相似性指数(SSIM)和峰值信噪比(PSNR))进行测量时,使用配对图像进行训练的性能略好于未配对图像,但使用未配对图像进行训练在看不见的前后位(AP)射线照片上表现出比配对训练更好的泛化能力。
2020-02-08 cs.CV cs.LG eess.IV
ACT-GAN: Radio map construction based on generative adversarial networks with ACT blocks
Yunnan University(云南大学)
本文提出ACT-GAN,通过AOT、CBAM和T-Conv模块改进生成对抗网络,用于高精度无线电地图构建,在多种场景下显著降低RMSE并能准确预测未知发射源位置。
2024-01-17 cs.LG eess.SP
DSF-GAN: DownStream Feedback Generative Adversarial Network
Ben Gurion University(本古里安大学)
为提升合成表格数据的效用,提出DSF-GAN架构,通过在训练中引入下游预测模型的反馈增强生成器损失函数,实验证明其生成的合成样本能显著提升下游模型性能。
2024-03-27 cs.AI cs.LG
Creating Synthetic Datasets for Collaborative Filtering Recommender Systems using Generative Adversarial Networks
Universidad Politécnica de Madrid(马德里理工大学);Universidad de Jaén(哈恩大学);Universidad de Ciego de Ávila(谢戈德阿维拉大学)
机器学习的研究和教育需要多样化、代表性和开放的数据集,这些数据集包含足够的样本来处理必要的训练、验证和测试任务。目前,推荐系统领域包括大量的子领域,在这些子领域中,准确性和超越准确性的质量度量不断得到改进。为了满足这种研究的多样性,用合成数据集来加强现有的数据集是必要的,也是方便的。本文提出了一种基于生成对抗网络(GAN)的方法,通过选择用户、项目、样本和随机变量的首选数量,以参数化的方式生成协同过滤数据集。无法使用常规GANs进行此参数化。我们的GAN模型是由密集的,短的,和连续的项目和用户的嵌入表示,而不是稀疏的,大的,和离散的向量,使一个准确和快速的学习,相比传统的方法,基于大的和稀疏的输入向量。所提出的架构包括一个DeepMF模型来提取密集的用户和项目嵌入,以及一个聚类过程来从密集的GAN生成的样本转换为离散和稀疏的样本,这是创建每个所需的合成数据集所必需的。三个不同的源数据集的结果显示了足够的分布和预期的质量值和生成的数据集相比,源的演变。合成数据集和源代码可供研究人员使用。
2023-03-02 cs.IR cs.LG
Variational Autoencoder Generative Adversarial Network for Synthetic Data Generation in Smart Home
University of Central Florida(中佛罗里达大学);University of Ottawa(渥太华大学)
数据是智能电网应用中数据科学和机器学习技术的燃料,与许多其他领域类似。然而,由于隐私问题、数据大小、数据质量等,数据的可用性可能是一个问题。为此,在本文中,我们提出了一种变分自编码器生成对抗网络(VAE-GAN)作为智能电网数据生成模型,其能够学习各种类型的数据分布并从相同的分布生成合理的样本,而无需在之前对数据执行任何预先分析。我们比较了Kullback-Leibler(KL)散度、最大平均差异(MMD)和Wasserstein距离,这些距离是由所提出的模型、香草GAN网络生成的合成数据(电力负荷和光伏发电)分布与真实数据分布之间的距离,以评估我们的模型的性能。此外,我们使用五个关键的统计参数来描述智能电网的数据分布,并比较它们之间的合成数据生成的模型和真实数据。实验结果表明,该模型的性能优于普通GAN网络。VAE-GAN合成数据的分布与真实数据的分布最具可比性。
2022-01-19 cs.LG cs.SY eess.SY
Synthesis of standard 12-lead electrocardiograms using two dimensional generative adversarial network
Advanced Algorithm Research Center, Philips Healthcare(飞利浦医疗保健高级算法研究中心)
本文提出了一个二维(2D)双向长短期记忆生成对抗网络(GAN),以产生合成的标准12导联ECG对应于四种类型的信号:左心室肥大(LVH),左分支束传导阻滞(LBBB),急性心肌梗死(ACUTMI),和正常。它使用全自动端到端过程来生成和验证合成ECG,无需任何目视检查。所提出的模型能够产生合成标准的12导联ECG信号,LVH的成功率为98%,LBBB为93%,ACUTMI为79%,正常为59%。数据的统计学评价证实,合成ECG不偏向于或过度拟合于训练ECG,并且跨越广泛的形态特征。这项研究表明,它是可行的,使用2D GAN,以产生标准的12导联心电图适合人工增强真实心电图的多样化的数据库,从而提供了一个可能的解决方案,广泛的心电图数据集的需求。
2021-06-02 cs.LG eess.SP
SD2AIL: Adversarial Imitation Learning from Synthetic Demonstrations via Diffusion Models
本文提出SD2AIL,利用扩散模型生成合成演示作为伪专家数据,结合优先级专家演示回放策略提升性能,实验显示在Hopper任务中优于现有方法。
2026-04-29 cs.LG cs.RO
Synthetic Epileptic Brain Activities Using Generative Adversarial Networks
ETHZ(苏黎世联邦理工学院);EPFL(洛桑联邦理工学院);CHUV(洛桑大学医院)
癫痫是一种慢性神经系统疾病,影响全球超过6500万人,表现为反复发作的无端癫痫发作。癫痫发作的不可预测性不仅降低了患者的生活质量,而且还可能危及生命。目前正在开发监测脑电图(EEG)信号的现代系统,以便检测癫痫发作,从而提醒护理人员并减少癫痫发作对患者生活质量的影响。这种癫痫发作检测系统采用最先进的机器学习算法,其需要相当大量的标记的个人数据用于训练。然而,获取癫痫发作的EEG信号对于医学专家和患者来说是一个昂贵且耗时的过程,目前需要在专科医院进行记录。在这项工作中,我们产生了合成的神经元样脑电活动,即,EEG信号,可用于训练癫痫发作检测算法,减少对记录数据的需求。首先,我们用来自30名癫痫患者的数据训练生成对抗网络(GAN)。然后,我们为新的、看不见的患者生成合成的个性化训练集,其总体检测性能高于真实数据训练集。我们使用世界上最大的癫痫发作检测公共数据库之一EPILEPSIAE项目的数据集来展示我们的结果。
2019-11-12 cs.LG eess.SP
Synthetic Active Distribution System Generation via Unbalanced Graph Generative Adversarial Network
Zhejiang University(浙江大学);Iowa State University(爱荷华州立大学)
真实的有源配电网及其相关的智能电表数据对电力研究人员至关重要。然而,由于隐私问题,研究人员实际上很难从公用事业公司获得如此全面的数据集。为了弥补这一不足,设计了一种基于Wasserstein GAN目标的隐式生成模型,即不平衡图生成对抗网络(UG-GAN),用于生成合成的三相不平衡有源配电系统连通性。其基本思想是学习随机游走在真实世界系统和线段的每个相位上的分布,捕获单个真实世界分布网络的潜在局部属性,并相应地生成特定的合成网络。然后,创建一个全面的综合测试情况下,网络校正和扩展过程中提出了获得时间序列节点的需求和标准的配电网组件与现实的参数,包括分布式能源(DER)和容量银行。一个具有1年SM数据的中西部配电系统已被用来验证我们的方法的性能。几个电力应用的案例研究表明,所提出的框架生成的合成有源网络可以模仿几乎所有的功能,同时避免泄露机密信息的真实世界的网络。
2021-08-02 cs.LG cs.SY eess.SY
SURIMI: Supervised Radio Map Augmentation with Deep Learning and a Generative Adversarial Network for Fingerprint-based Indoor Positioning
Universitat Jaume I(海梅一世大学);Tampere University(坦佩雷大学);Universidade do Minho(米尼奥大学)
基于机器学习的室内定位在学术界和工业界都引起了越来越多的关注,因为可以从参考数据中提取有意义的信息。许多研究人员正在使用有监督、半监督和无监督的机器学习模型来减少定位误差,并为最终用户提供可靠的解决方案。在这篇文章中,我们提出了一种结合卷积神经网络(CNN),长短期记忆(LSTM)和生成对抗网络(GAN)的新架构,以增加训练数据,从而提高定位精度。在17个公共数据集中测试了监督和无监督模型的组合,对其性能进行了广泛的分析。结果,其中70%以上的定位误差得到了减小。
2022-07-13 cs.LG eess.SP
Toward Generating Synthetic CT Volumes using a 3D-Conditional Generative Adversarial Network
University of Maryland, Baltimore County(马里兰大学巴尔的摩分校);National Institutes of Health Clinical Center(美国国立卫生研究院临床中心);Networking Health;OpenKneck Inc(OpenKneck公司)
我们提出了一种新的条件生成对抗网络(cGAN)架构,该架构能够从噪声和/或像素化近似中生成体素中的3D计算机断层扫描,并有可能生成完整的合成3D扫描体积。我们认为条件cGAN是一种生成3D CT体积的易处理方法,尽管由于GPU内存限制,生成全分辨率深度伪影的问题目前是不切实际的。我们提出了自动编码器,去噪和去像素化任务的结果,这些任务在两个新的COVID 19 CT数据集上进行了训练和测试。我们的评估指标,峰值信噪比(PSNR)范围从12.53 - 46.46 dB,结构相似性指数(SSIM)范围从0.89到1。
2021-04-02 cs.CV cs.LG eess.IV
CDCGen: Cross-Domain Conditional Generation via Normalizing Flows and Adversarial Training
University of California, Berkeley(加州大学伯克利分校)
如何为一个域生成有条件的合成数据,而不利用关于其标签/属性的信息?我们的工作为上述问题提供了一个解决方案。我们提出了一个基于迁移学习的框架,利用归一化流,再加上最大似然和对抗训练。我们用单独的归一化流对源域(标签可用)和目标域(标签不可用)进行建模,并使用对抗性鉴别器对公共潜在空间进行域对齐。由于流模型的可逆性,该映射具有精确的循环相容性。我们还通过采用编码器将属性映射到潜在空间来学习源域中数据样本和属性的联合分布。在合成阶段,给定任何属性组合,我们的方法可以在目标域中生成以它们为条件的合成样本。实证研究证实了我们的方法对基准数据集的有效性。我们设想我们的方法是特别有用的合成数据生成标签稀缺系统通过生成非平凡的扩增通过属性转换。这些合成样本将比它们的几何和光度变换对应物向标签稀缺域引入更多的熵,这有助于稳健的下游任务。
2021-08-25 cs.CV cs.LG
Using a Generative Adversarial Network for CT Normalization and its Impact on Radiomic Features
University of California, Los Angeles(加州大学洛杉矶分校)
计算机辅助诊断(CADx)系统帮助放射科医生使用基于形态和纹理(放射组学)的特征在胸部CT扫描中识别和分类潜在的恶性肺结节。然而,放射组学特征对由于剂量水平和切片厚度的变化而导致的采集差异敏感。本研究探讨了从异质CT扫描作为输入生成归一化扫描的可行性。我们从40个低剂量胸部CT扫描中获得投影数据,模拟10%,25%和50%剂量的采集,并在1.0mm和2.0mm层厚下重建扫描。使用3D生成对抗网络(GAN)同时将减少剂量、厚切片(2.0 mm)图像标准化为正常剂量(100%)、薄切片(1.0 mm)图像。我们使用峰值信噪比(PSNR),结构相似性指数(SSIM)和学习感知图像块相似性(LPIPS)评价归一化图像质量。与基线CNN方法相比,我们的GAN将感知相似性提高了35%。我们的分析还表明,基于GAN的方法在9个研究的放射组学特征中导致了显著更小的误差(p值< 0.05)。这些结果表明,GANs可用于归一化异质CT图像,并减少放射组学特征值的变化。
2020-01-22 cs.CV cs.LG eess.IV
Synthetic flow-based cryptomining attack generation through Generative Adversarial Networks
Universidad Politécnica de Madrid(马德里理工大学);Universidad Complutense de Madrid(马德里康普顿斯大学);Instituto de Ciencias Matemáticas (CSIC-UAM-UCM-UC3M)(数学科学研究所(西班牙国家研究委员会-马德里自治大学-马德里康普顿斯大学-卡洛斯三世大学));Telefónica I+D(西班牙电信研发公司)
由于互联网中网络攻击的日益增加,基于流的数据集对于提高基于网络的入侵检测系统(IDS)中运行的机器学习(ML)组件的性能至关重要。为了克服现有网络流量数据在攻击分析中的不足,最近的工作提出了生成对抗网络(GANs),用于基于合成流的网络流量生成。在处理此类网络数据时,数据隐私越来越成为一个强有力的要求,这表明要找到合成数据可以完全取代真实数据的解决方案。由于GAN训练的不收敛性,现有的解决方案都不能生成高质量的完全合成数据,可以完全替代IDS ML组件训练中的真实数据。因此,他们将真实数据与合成数据混合在一起,合成数据仅作为数据增强组件,导致使用真实数据时隐私泄露。与此形成鲜明对比的是,在这项工作中,我们提出了一种新的确定性方法来测量由GAN产生的合成数据的质量,无论是相对于真实数据还是用于ML任务时的性能。作为一个副产品,我们提出了一个启发式,使用这些指标来选择最好的性能发电机在GAN训练,导致停止标准。当不同类型的合成数据要用于同一ML任务时,提出了一种额外的启发式算法来选择性能最佳的GANs。我们证明了我们的建议的充分性,通过使用Wasserstein GAN的增强版本生成合成的加密挖矿攻击流量和基于正常流量的数据。我们表明,生成的合成网络流量可以完全取代真实数据时,训练基于ML的密码挖掘检测器,获得类似的性能,并避免侵犯隐私,因为真实数据不用于基于ML的检测器的训练。
2021-07-30 cs.CR cs.LG
Generating Synthetic Mobility Networks with Generative Adversarial Networks
Institute of Information Science and Technologies, National Research Council(国家研究委员会信息科学与技术研究所);IMT School for Advanced Studies(IMT高等研究学院);University of Pisa(比萨大学);Free University of Bolzano(博尔扎诺自由大学);University of Trento(特伦托大学);Fondazione Bruno Kessler(布鲁诺·凯塞勒基金会)
人口迁移在复杂的社会现象(如交通拥堵、隔离和流行病扩散)中发挥着越来越重要的作用,这引起了多个学科科学家的兴趣。在这篇文章中,我们解决移动网络的生成,即,生成一个城市的整个移动网络,一个加权有向图,其中节点是地理位置,加权边表示这些位置之间的人的移动,从而描述了城市内的整个移动集合流。我们的解决方案是MoGAN,这是一种基于生成对抗网络(GANs)的模型,用于生成真实的移动网络。我们在公共的自行车和出租车数据集上进行了大量的实验,以证明MoGAN在生成网络的真实性方面优于经典的引力和辐射模型。我们的模型可用于数据增强和执行模拟和假设分析。
2022-12-14 cs.AI cs.LG
How to Fool Radiologists with Generative Adversarial Networks? A Visual Turing Test for Lung Cancer Diagnosis
University of Central Florida(中佛罗里达大学);Florida Hospital(佛罗里达医院)
区分肺结节是恶性还是良性仍然是一个潜在的挑战。为了应对这一挑战,放射科医生需要计算机辅助诊断(CAD)系统,其可以帮助学习对应于恶性和良性结节的区别性成像特征。然而,学习高度区分的成像特征是一个开放的问题。在本文中,我们的目标是通过使用对抗学习方法来学习与肺结节有关的最具鉴别力的特征。具体来说,我们建议使用深度卷积-生成对抗网络(DC-GAN)的无监督学习来真实地生成肺结节样本。我们假设肺结节的影像学特征将是有区别的,如果它是很难区分他们(假)从真正的(真)结节。为了验证这一假设,我们提出了视觉图灵测试,以两个放射科医生,以评估所产生的(假)结节的质量。在辨别真实的、生成的、良性的和恶性的结节方面进行了广泛的比较。该实验设置使我们能够验证生成的结节的整体质量,然后可以用于(1)通过挖掘高度区分的成像特征来改善诊断决策,(2)出于教育目的训练放射科医生,以及(3)生成逼真的样本以使用大数据训练深度网络。
2018-01-09 cs.AI cs.CV cs.LG
Forging new worlds: high-resolution synthetic galaxies with chained generative adversarial networks
University of Edinburgh(爱丁堡大学)
21世纪的天文学越来越多地发现自己拥有大量的数据。这种数据的增长对于现代技术来说已经成熟,例如深度图像处理,它有可能使天文学家能够自动识别,分类,分割和分解各种天文物体。在本文中,我们探索了链式生成对抗网络(GANs)的使用,这是一类生成模型,通过对数据的联合分布进行建模来学习从潜在空间到数据分布的映射,以生成物理上真实的星系图像作为此类模型的一个用例。在宇宙学中,这些数据集可以通过用合成图像增强数据来帮助校准弱透镜效应的形状测量。通过测量多个物理特性的分布,我们表明,与我们的方法生成的图像密切遵循真实星系的分布,进一步建立国家的最先进的GAN架构作为一个有价值的工具,为现代天文学。
2019-03-16 astro-ph.GA astro-ph.IM cs.LG
Synthetic data for ratemaking: imputation-based methods vs adversarial networks and autoencoders
Department of Actuarial Science, Faculty of Business and Economics, University of Lausanne(卢塞恩大学商学院精算科学系);Institute of Mathematics and Statistics, Faculty of Science and Technology, University of Tartu(塔尔图大学科学与技术学院数学与统计学研究所)
本文比较了基于填补的方法与对抗网络和自编码器在合成数据生成中的表现,发现基于MICE的方法在生成高质量表格数据方面具有较低的实现复杂性。
2026-09-29 cs.LG stat.AP stat.ML
FeederGAN: Synthetic Feeder Generation via Deep Graph Adversarial Nets
North Carolina State University(北卡罗来纳州立大学);Pacific Northwest National Lab(太平洋西北国家实验室);Texas A&M(德克萨斯农工大学)
本文提出了一种新的,自动化的,生成的对抗网络(GAN)的合成馈线生成机制,简称为馈线GAN。FeederGAN通过由GAN和图卷积网络(GCN)提供支持的深度学习框架来识别由有向图表示的真实馈线模型。从配电馈线电路的模型输入文件中提取配电馈线电路的信息,使得设备连接性被映射到邻接矩阵和设备特性上,诸如电路类型(即,3相、2相和1相)和组件属性(例如,长度和当前评级)被映射到属性矩阵上。然后,Wasserstein距离被用来优化的GAN和GCN被用来区分生成的图从实际的。提出了一种基于图论的贪婪算法,利用生成的邻接矩阵和属性矩阵对馈线进行重构。我们的研究结果表明,GAN生成的馈线类似于实际馈线的拓扑结构和属性验证的视觉检查和经验统计从实际配电馈线。
2020-09-16 cs.LG cs.SY eess.SY
Generating Multi-label Discrete Patient Records using Generative Adversarial Networks
Georgia Institute of Technology(佐治亚理工学院);Vanderbilt University(范德堡大学);Sutter Health(萨特健康)
电子健康记录(EHR)数据的访问激励了医学研究中的计算进步。然而,各种担忧,特别是对隐私的担忧,可能会限制对EHR数据的访问和协作使用。共享合成EHR数据可以降低风险。在本文中,我们提出了一种新的方法,医疗生成对抗网络(medGAN),生成逼真的合成病历。基于输入的真实患者记录,medGAN可以生成高维离散变量(例如,二进制和计数特征生成对抗网络。我们还提出了小批量平均,以有效地避免模式坍塌,并提高学习效率与批量归一化和快捷连接。为了证明可行性,我们证明了medGAN生成的合成患者记录在许多实验中实现了与真实数据相当的性能,包括分布统计,预测建模任务和医学专家评审。我们还根据经验观察到,使用medGAN的身份和属性披露的隐私风险有限。
2018-01-11 cs.LG cs.NE
Full-Scale Continuous Synthetic Sonar Data Generation with Markov Conditional Generative Adversarial Networks
University of Edinburgh(爱丁堡大学);SeeByte Ltd.(SeeByte有限公司)
自主水下航行器的部署和操作既昂贵又耗时。高质量的逼真声纳数据模拟可能有利于多种应用,包括训练人类操作员进行任务后分析,以及调整和验证水下航行器的自主目标识别(ATR)系统。生成逼真的合成声纳图像是一个具有挑战性的问题,因为模型必须考虑真实声学传感器的特定伪影,车辆高度和各种环境因素。我们提出了一种新的方法,用于生成逼真的声纳侧扫描的全长任务,称为马尔可夫条件pix 2 pix(MC-pix 2 pix)。定量评估结果证实,所产生数据的质量几乎与真实数据无异。此外,我们表明,引导ATR系统与MC-pix 2 pix数据可以提高性能。合成数据的生成速度比实际采集速度快18倍,用户可完全控制生成数据的地形。
2020-02-18 cs.LG eess.IV stat.ML
Causal-TGAN: Generating Tabular Data Using Causal Generative Adversarial Networks
Stevens Institute of Technology(史蒂文斯理工学院)
合成数据生成作为隐私泄露和数据短缺的解决方案变得流行。生成式模型的目的是生成一个真实的合成数据集,它可以精确地表达真实数据集的数据分布。生成对抗网络(GAN)在计算机视觉领域取得了巨大的成功,被广泛用于合成数据的生成。虽然之前的研究已经取得了很大的进展,但大多数研究都是学习数据分布中的相关性,而不是数据集自然生成的真实过程。相关性是不可靠的,因为它是一种统计技术,只告诉线性相关性,很容易受到数据集的偏见。因果关系编码了真实数据如何自然生成的所有潜在因素,比相关性更可靠。在这项工作中,我们提出了一个因果模型命名为因果表格生成神经网络(Causal-TGAN)生成合成表格数据使用表格数据的因果信息。在模拟数据集和真实数据集上进行的大量实验表明,当给定真实因果图时,我们的方法具有更好的性能,当使用估计因果图时,我们的方法具有相当的性能。
2021-04-21 cs.AI cs.LG
Synthetic Electroretinogram Signal Generation Using Conditional Generative Adversarial Network for Enhancing Classification of Autism Spectrum Disorder
University of Erlangen-Nuremberg(埃尔朗根-纽伦堡大学);Siemens Healthineers(西门子医疗);University College London(伦敦大学学院);Great Ormond Street Hospital for Children NHS Trust(大奥蒙德街儿童医院国民保健信托基金)
针对ASD等异质性人群ERG数据有限、AI分类应用受限的问题,提出可生成合成ERG信号的生成对抗网络,结合带连续小波变换的Transformer提升分类效果,为相关精神疾病分类提供支持。
2024-07-11 cs.AI cs.LG eess.SP
Conditional Generative Adversarial Networks for Data Augmentation and Adaptation in Remotely Sensed Imagery
NVIDIA(英伟达);CACI;NGA Research(NGA研究院)
获取与给定任务相关的标记数据的困难是将深度学习技术应用于新的或甚至稍微修改的领域的最常见和众所周知的实际障碍之一。当前一代监督学习算法所需的数据量通常远远超过人类学习和完成给定任务所需的数据量。我们研究如何使用生成对抗网络(GANs)将给定的标记遥感图像语料库扩展为更大的语料库。然后,我们测量这些额外的合成数据如何影响目标检测任务上的监督机器学习性能。我们的数据驱动策略是训练GANs以(1)生成合成分割掩模和(2)生成与这些分割掩模对应的合理合成遥感图像。这些GANs按顺序运行,可以生成带有分割标签的合成遥感图像。我们将此策略应用于ISPRS的2D语义标注大赛-波茨坦的数据集,并进行了车辆检测任务。我们发现,在有限的训练数据的情况下,增加可用的数据与这样的综合生成的数据可以提高检测器的性能。
2019-08-10 cs.CV cs.LG eess.IV
Synthetic Data Generation for Residential Load Patterns via Recurrent GAN and Ensemble Method
Monash University(莫纳什大学)
本文提出集成循环生成对抗网络ERGAN,通过集成多个循环GAN并结合对抗损失与统计差异损失,生成高保真、多样化的住宅负荷合成数据,并在多项指标上优于现有基准。
2024-10-20 cs.AI cs.LG
RADIOGAN: Deep Convolutional Conditional Generative adversarial Network To Generate PET Images
General Electric Healthcare(通用电气医疗集团);University of Rouen(鲁昂大学);Henri Becquerel Center(亨利·贝克勒尔中心)
医学成像最大的挑战之一是缺乏数据。事实证明,经典的数据增强方法是有用的,但仍然有限,由于图像中的巨大变化。使用生成对抗网络(GAN)是解决这个问题的一种有前途的方法,然而,训练一个模型来生成不同类别的病变是具有挑战性的。在本文中,我们提出了一种深度卷积条件生成对抗网络来生成MIP正电子发射断层扫描图像(PET),这是一种表示3D体积的2D图像,可根据不同的病变或非病变(正常)进行快速解释。我们所提出的方法的优点包括一个模型,该模型能够生成不同类别的病变,并显示出非常有前途的结果。此外,我们表明,步行通过一个潜在的空间可以被用来作为一种工具来评估所生成的图像。
2020-03-19 cs.CV cs.LG eess.IV
Bt-GAN: Generating Fair Synthetic Healthdata via Bias-transforming Generative Adversarial Networks
Linköping University(林雪平大学)
提出Bt-GAN,一种基于GAN的医疗合成数据生成器,通过信息约束生成过程解决虚假相关性,利用基于分数的加权采样保留子群体密度,在保持SOTA准确率的同时显著提升公平性。
2024-04-26 cs.AI cs.LG
Skin Lesion Synthesis with Generative Adversarial Networks
University of Campinas (Unicamp)(坎皮纳斯大学)
皮肤癌是迄今为止最常见的癌症类型。早期发现是显著增加成功治疗机会的关键。目前,深度神经网络是自动皮肤癌分类的最新成果。为了进一步推动结果,我们需要解决缺乏注释数据的问题,这是昂贵的,需要专家的大量努力。为了绕过这个问题,我们建议使用生成对抗网络来生成逼真的合成皮肤病变图像。据我们所知,我们的结果是第一个显示视觉上吸引人的合成图像,包括临床意义的信息。
2019-02-08 cs.CV cs.LG
MALLM-GAN: Multi-Agent Large Language Model as Generative Adversarial Network for Synthesizing Tabular Data
McWilliams School of Biomedical Informatics at UTHealth Houston(UTHealth休斯顿麦威廉斯生物医学信息学院)
本文提出MALLM-GAN框架,利用大语言模型模拟生成对抗网络架构,解决小样本下表格数据合成问题,实验表明其在生成高质量合成数据方面优于现有方法。
2026-04-09 cs.AI cs.LG
Synthetic Skull CT Generation with Generative Adversarial Networks to Train Deep Learning Models for Clinical Transcranial Ultrasound
Stanford University(斯坦福大学)
针对经颅超声深度学习训练颅骨CT数据不足的问题,提出SkullGAN生成合成颅骨CT切片,经多维度验证保真度良好,可缓解医疗数据相关难题。
2024-02-01 cs.LG eess.IV
Synthetic Medical Imaging Generation with Generative Adversarial Networks For Plain Radiographs
The MITRE Corporation(MITRE 公司);University of Maryland School of Medicine(马里兰大学医学院)
本文提出开源流水线 GIST,利用 GAN 生成与患者无关的高质量平片合成影像,重点验证膝肘 X 射线生成效果,以改善数字健康 AI 算法并降低医疗成本。
2024-03-28 cs.CV cs.LG
Adversarial Feature Matching for Text Generation
Duke University(杜克大学)
生成对抗网络(GAN)在生成真实(实值)合成数据方面取得了巨大成功。然而,收敛问题和处理离散数据的困难阻碍了GAN对文本的适用性。我们提出了一个通过对抗训练生成真实文本的框架。我们采用长短期记忆网络作为生成器,卷积网络作为训练器。而不是使用GAN的标准目标,我们建议通过核差异度量匹配真实和合成句子的高维潜在特征分布。这通过减轻模式崩溃问题来减轻对抗训练。我们的实验表明,在定量评估的优越性能,并证明我们的模型可以生成逼真的句子。
2017-11-18 cs.CL cs.LG stat.ML
Synthesis of Realistic ECG using Generative Adversarial Networks
Dublin City University(都柏林城市大学);Insight Centre for Data Analytics(Insight数据分析中心)
由于医疗数据的敏感性,其访问受到高度限制,阻止社区将这些数据用于研究或临床培训。为实现数据共享而实施的通用去身份化方法有时不足以保护数据中所包含的个人。在我们的研究中,我们研究了生成对抗网络(GANs)产生真实医疗时间序列数据的能力,这些数据可以在不考虑隐私的情况下使用。目的是生成代表正常ECG波形的合成ECG信号。GANs已成功用于生成高质量的合成时间序列,并已被证明可以防止重新识别单个记录。在这项工作中,开发了一系列GAN架构来生成合成正弦波和合成ECG。然后使用两个评估指标来定量评估合成数据是否适合现实世界的应用,如临床培训和数据分析。最后,我们讨论了与共享GANs产生的合成数据相关的隐私问题,并测试了它们抵御简单成员推断攻击的能力。我们第一次定量和定性地证明了GAN架构可以成功地生成时间序列信号,这些信号不仅在结构上与训练集相似,而且在生成的样本中具有多样性。我们还报告了它们抵御简单成员推断攻击的能力,保护了训练集的隐私。
2019-09-19 cs.LG eess.SP stat.ML
PHANTOM: Progressive High-fidelity Adversarial Network for Threat Object Modeling
College of Interdisciplinary Studies, Zayed University(泽拉德大学跨学科学院);College of Engineering, The Hashemite University(哈希米大学工程学院)
PHANTOM通过渐进式训练和双路径架构生成高保真合成攻击数据,提升入侵检测系统鲁棒性和隐私保护能力。
2025-12-12 cs.AI cs.CR cs.LG
Improvement of Multiparametric MR Image Segmentation by Augmenting the Data with Generative Adversarial Networks for Glioma Patients
Henry Ford Health System(亨利福特医疗系统);Wayne State University(韦恩州立大学)
每年都有成千上万的患者被诊断出患有神经胶质瘤,这是一种恶性脑肿瘤。医生使用MR图像作为诊断和治疗这些患者的关键工具。神经网络在医学图像分析中显示出巨大的潜力。本研究调查了由生成对抗网络创建的不同量的合成脑T1加权(T1)、对比后T1加权(T1 Gd)、T2加权(T2)和T2液体衰减反转恢复(FLAIR)MR图像的使用,以克服在训练单独的2D U-Net以分割增强肿瘤、瘤周水肿、和神经胶质瘤上的坏死(非增强肿瘤核心)区域。这些合成MR图像由一名医生进行定量(SSIM=0.79)和定性评估,该医生发现合成图像似乎更适合描绘结构边界,但当梯度显著时(例如,T2模态中的水肿信号),合成图像更难描绘。使用原始BraTS数据和四分之一、一半、四分之三和所有合成MR图像的不同子集训练多个2D U-网络。对于每个结构,单独验证数据集中的度量值的改善与添加的合成数据量之间没有明显的相关性,添加的合成数据量与最佳总体验证度量的数量之间存在很强的相关性。总之,本研究显示了使用GAN生成高质量合成Flair、T2、T1和T1 CE MR图像的能力。使用合成MR图像显示出令人鼓舞的结果,以提高U-Net分割性能,这有可能解决现有医学图像的稀缺性。
2019-10-01 cs.LG eess.IV stat.ML
Unsupervised Medical Image Segmentation with Adversarial Networks: From Edge Diagrams to Segmentation Maps
Vector Institute(向量研究所);McMaster University(麦克马斯特大学)
我们开发和接近无监督语义医学图像分割,扩展了以前的工作与生成对抗网络。我们使用现有的边缘检测方法来构建简单的边缘图,训练生成模型将其转换为合成医学图像,并使用提取的边缘图上的变化构建具有已知分割的合成图像的数据集。然后使用该合成数据集来训练监督图像分割模型。我们在肾脏超声图像的临床数据集和基准ISIC 2018皮肤病变数据集上测试了我们的方法。我们证明了我们的无监督方法比以前的无监督方法更准确,并且与监督图像分割模型相比表现合理。所有代码和训练模型都可以在https://github.com/kiretd/Unsupervised-MIseg上找到。
2019-11-12 cs.AI cs.CV cs.LG
Medical Image Synthesis for Data Augmentation and Anonymization using Generative Adversarial Networks
NVIDIA Corporation(英伟达公司);MGH & BWH Center for Clinical Data Science(麻省总医院与布列根和妇女医院临床数据科学中心);Mayo Clinic(妙佑医疗国际)
在训练深度学习模型时,数据多样性是成功的关键。医学成像数据集通常是不平衡的,因为病理结果通常是罕见的,这在训练深度学习模型时带来了重大挑战。在这项工作中,我们提出了一种方法来生成合成异常MRI图像与脑肿瘤的训练生成对抗网络使用两个公开的数据集的脑MRI。我们证明了合成图像提供的两个独特的好处。首先,我们通过利用合成图像作为数据增强的形式来说明肿瘤分割的改进性能。其次,我们证明了生成模型作为匿名化工具的价值,当在合成数据上训练时与在真实受试者数据上训练时,实现了可比的肿瘤分割结果。总之,这些结果为医学成像中机器学习面临的两个最大挑战提供了潜在的解决方案,即病理发现的发生率很小,以及围绕共享患者数据的限制。
2018-09-13 cs.CV cs.LG stat.ML
RADIANCE: Radio-Frequency Adversarial Deep-learning Inference for Automated Network Coverage Estimation
University of Arizona(亚利桑那大学)
针对实地勘测获取射频覆盖图成本高、难实现的问题,提出基于GAN的RADIANCE方法,结合语义图、新型梯度损失函数与天线方向图合成室内射频图,多项指标表现优异。
2023-08-21 cs.LG cs.NI eess.SP
CasTGAN: Cascaded Generative Adversarial Network for Realistic Tabular Data Synthesis
Department of Engineering Cybernetics, Norwegian University of Science and Technology(挪威科技大学工程控制论系)
本文提出 CasTGAN 级联表格 GAN 框架,通过逐特征专用生成器提升合成表格数据的依赖有效性,并增强其对抗白盒定向隐私攻击的鲁棒性。
2024-01-22 cs.AI cs.LG
Generative Adversarial Network Based Synthetic Learning and a Novel Domain Relevant Loss Term for Spine Radiographs
Stanford Medicine(斯坦福医学院)
问题:在医学中,缺乏用于训练深度学习模型的大数据,其特点是数据收集的时间成本和隐私问题。生成对抗网络(GANs)提供了生成新数据的可能性,以及使用这些新生成的数据,而不包括患者的真实数据,用于下游应用。方法:训练一系列GANs,并将其应用于下游计算机视觉脊柱X射线照片异常分类任务。单独的分类器在访问或不访问原始成像的情况下进行训练。经过训练的GANs包括具有自适应增强功能的条件StyleGAN 2、具有自适应增强功能的条件StyleGAN 2,以根据病变类型生成脊柱X线照片,以及使用新的临床损失项生成器具有自适应增强功能的StyleGAN 2(SpineGAN)。最后,训练了一个具有异常条件的自适应增强的差分隐私施加StyleGAN2,并对其差分隐私施加进行了消融研究。关键结果:我们完成了合成脊柱X线照片的GAN生成,首次没有文献综述中有意义的输入。我们进一步证明了脊柱域的合成学习与下游临床分类任务的成功(使用合成数据的AUC为0.830,而使用真实数据的AUC为0.886)。重要的是,发现为发生器引入新的临床损失项可以增加代回忆并加速模型训练。最后,我们证明了,在有限大小的医疗数据集,差分隐私强加严重阻碍了GAN训练,发现这是特别是由于梯度扰动噪声的要求。
2022-05-05 cs.AI cs.CV cs.LG
SeismoGen: Seismic Waveform Synthesis Using Generative Adversarial Networks
The University of Texas at Austin(德克萨斯大学奥斯汀分校);Los Alamos National Laboratory(洛斯阿拉莫斯国家实验室);University of Pittsburgh(匹兹堡大学)
从地震时间序列中检测地震事件已被证明是一项具有挑战性的任务。由于劳动密集型和大规模数据集,手动检测可能是昂贵且繁琐的。近年来,已经开发了基于机器学习的自动检测方法以提高准确性和效率。然而,这些方法的准确性依赖于足够量的高质量训练数据,由于对领域知识和主题专业知识的要求,获得高质量训练数据本身可能是昂贵的。本文通过回答两个问题来解决这一困境:(1)在有限数量的可靠标签的情况下,我们是否可以利用它们来生成更多的合成标签;(2)我们是否可以利用这些合成标签来提高检测能力?在所有现有的生成模型中,生成对抗网络(GAN)显示出其在多个领域生成高质量合成样本的最高能力。我们设计了基于GAN的模型。特别是,我们研究了几种不同的网络结构。通过比较生成的结果,我们基于GAN的生成模型产生了最高的质量。我们进一步将数据集与我们的生成模型生成的合成样本相结合,并表明我们的地震分类模型的可检测性比没有增加训练集的训练模型显着提高。
2020-05-02 cs.LG physics.geo-ph stat.ML
An Image-based Generator Architecture for Synthetic Image Refinement
提出了边界平衡生成对抗网络的替代生成器架构,其动机是通过对抗训练从模拟和无监督图像中学习。它解开了对基于噪声的潜在空间的需求。该生成器将主要作为一个细化网络来运行,以获得给定合成图像的照片般逼真的呈现。它还试图通过消除噪声注入的需要并将其替换为基于图像的概念来解决潜在空间的知之甚少的属性。新的灵活和简单的生成器架构也将提供控制限制性细化和表达能力之间的权衡的能力。与其他可用的方法相反,该架构将不需要用于训练阶段的真实图像和合成图像的配对或未配对的数据集。只有相对较小的一组真实图像就足够了。
2021-08-10 cs.CV cs.LG eess.IV
Generation of Realistic Synthetic Raw Radar Data for Automated Driving Applications using Generative Adversarial Networks
Facens University(法肯斯大学);Technische Hochschule Ingolstadt(英戈尔施塔特工业大学);FernUniversität in Hagen(哈根函授大学)
本文提出用生成对抗网络快速生成FMCW合成原始雷达数据,以摩托车距离和高斯噪声为输入生成16个同时chirp,经FID、RA图及目标检测验证其逼真性,可缩小仿真与现实差距并支持数据增强。
2023-08-08 cs.AI cs.CV cs.LG
PATE-AAE: Incorporating Adversarial Autoencoder into Private Aggregation of Teacher Ensembles for Spoken Command Classification
Georgia Institute of Technology(佐治亚理工学院);University of Enna(恩纳大学);NTNU(挪威科技大学)
我们提出使用对抗自动编码器(AAE),以取代生成对抗网络(GAN)的教师合奏(PATE)的私人聚合,解决方案,以确保差分隐私在语音应用中。AAE架构使我们能够获得良好的合成语音利用后的歧视性训练的潜在向量。当非敏感数据在公共领域中不充分可用时,这种合成语音用于构建隐私保护分类器。该分类器遵循PATE方案,该方案使用噪声输出的集合来标记合成样本,并在其导出的分类器上保证$\varepsilon$ -差分隐私(DP)。因此,我们提出的框架包括一个基于AAE的生成器和一个基于PATE的分类器(PATE-AAE)。在Google语音命令数据集版本II上进行评估,与其他隐私保护解决方案(即PATE-GAN和DP-GAN)相比,所提出的PATE-AAE分别将平均分类准确率提高了+ $2.11\%$和+ $6.60\%$,同时保持了$\varepsilon$ =0.01的强大隐私目标水平,固定$δ$ =10 $^{-5}$。
2021-06-15 cs.AI cs.LG cs.NE