一维条件生成对抗网络（1D CGAN）实战：解决时序数据生成难题

1次阅读

没有评论

共计 2135 个字符，预计需要花费 6 分钟才能阅读完成。

时序数据生成在金融、物联网等领域一直是个棘手问题。传统方法往往面临几个关键痛点：

模式单一：像 ARIMA 这样的统计方法只能捕捉线性关系，难以复现金融时间序列中的复杂波动模式。我曾尝试用 ARIMA 生成股票价格数据，结果出来的全是平滑曲线，完全丢失了真实市场中的剧烈波动特性。
特征丢失：传感器数据通常包含突发异常值和工作状态切换等特征。用 VAE 生成时，这些关键特征经常被 ” 平均化 ”，生成的数据看起来合理但实际上丢失了重要信息。
控制缺失：很多场景需要按条件生成特定类型的数据。比如在医疗监测中，我们可能需要分别生成正常心跳和心律失常的心电图，传统方法很难实现这种精确控制。

与其他生成方法相比，1D CGAN 有几个独特优势：

对抗训练机制：
传统方法：VAE 通过最小化重建误差，容易产生过度平滑的输出
CGAN 优势：判别器迫使生成器产生更接近真实分布的数据
条件控制能力：
对比普通 GAN：通过添加标签信息，可以精确控制生成数据的类别特征
实际案例：在生成轴承振动数据时，可以指定生成正常 / 故障状态的数据
计算效率：
1D 卷积比 2D 卷积参数更少
特别适合处理长序列数据（如 ECG 信号）

生成器 (Generator) 关键组件：

class Generator(nn.Module):
    def __init__(self, latent_dim, num_classes):
        super().__init__()
        # 条件标签嵌入层
        self.label_emb = nn.Embedding(num_classes, num_classes)

        # 1D 转置卷积序列
        self.deconv = nn.Sequential(nn.ConvTranspose1d(latent_dim+num_classes, 256, 4),
            nn.BatchNorm1d(256),
            nn.ReLU(),
            # 后续层省略...
        )

判别器 (Discriminator) 创新点：
– 使用谱归一化 (Spectral Norm) 稳定训练
– 条件信息通过特征图拼接融入

初始化模型和优化器
实现 Wasserstein GAN 的梯度惩罚
交替更新生成器和判别器

def train_step(real_data, labels):
    # 生成随机噪声
    z = torch.randn(batch_size, latent_dim)

    # 生成假数据
    fake_data = generator(z, labels)

    # 计算梯度惩罚
    epsilon = torch.rand(batch_size, 1, 1)
    interpolates = epsilon * real_data + (1-epsilon) * fake_data
    d_interpolates = discriminator(interpolates, labels)

    # 关键梯度计算
    gradients = autograd.grad(
        outputs=d_interpolates,
        inputs=interpolates,
        grad_outputs=torch.ones_like(d_interpolates),
        create_graph=True
    )[0]

    # 更新判别器
    optimizer_D.zero_grad()
    # ... 完整损失计算
    loss_D.backward()
    optimizer_D.step()

波形对比图：叠加真实与生成数据的典型样本
t-SNE 可视化：检查特征空间分布是否重叠

def calculate_fid(real_features, fake_features):
    mu1, sigma1 = real_features.mean(0), np.cov(real_features, rowvar=False)
    mu2, sigma2 = fake_features.mean(0), np.cov(fake_features, rowvar=False)

    # Fréchet 距离计算
    ssdiff = np.sum((mu1 - mu2)**2)
    covmean = linalg.sqrtm(sigma1.dot(sigma2))

    return ssdiff + np.trace(sigma1 + sigma2 - 2*covmean)