FFAD: A Novel Metric for Assessing Generated Time Series Data Utilizing Fourier Transform and Auto-encoder

深度学习生成模型在生成逼真的图像、视频和音频方面的成功，引发了一个关键问题：如何有效地评估合成样本的质量。虽然Fr\'{e}chet Inception Distance（FID）是评估图像合成中生成模型的标准度量，但在时间序列数据方面缺乏可比较的度量。这种评估能力的差距源于缺乏在基准时间序列数据集上预先训练的广泛接受的特征向量提取器。为了解决这些与评估时间序列质量有关的挑战，特别是在Fr\'echet Distance的情况下，本文提出了一种新的解决方案，利用傅里叶变换和自动编码器，称为Fr\'{e}chet Fourier-transform Auto-encoder Distance（FFAD）。通过我们的实验结果，我们展示了FFAD有效区分不同类别样本的潜力。这种新的度量方法成为评估生成时间序列数据的基本工具，有助于增强深度学习生成模型评估方法的持续努力。

如何有效评估生成的时间序列数据的质量，特别是在使用Fréchet距离时存在的挑战？

提出一种结合傅里叶变换和自编码器的新指标（Fréchet Fourier-transform Auto-encoder Distance，FFAD），用于评估生成的时间序列数据的质量。

实验结果表明，FFAD能够有效区分不同类别的样本。该指标为评估基于深度学习的生成模型中的时间序列数据提供了新的工具。

最近的相关研究包括使用其他距离度量进行时间序列数据评估，如时间序列编辑距离（Time Series Edit Distance，TSED）和时间序列弯曲距离（Time Series Warp Distance，TSWD）。