README.md

RCGAN

ラベル情報を考慮した時系列データをGANにより生成する。

学習

2019/01/16 修正（対象ファイルを引数で指定）

python experiment.py -inputs "inputs/sin_wave.npz"

デフォルト（引数を省略した）の場合、 inputs/sin_wave.npz のデータを入力とする。
＊デフォルトを変更したい場合、experiment.pyの FILE_NAME を修正する。

入力の npz の形式は以下のような保存形式を想定

ndarr_x = np.array([0.0, 0.1], [0.2, 0.3], [0.4, 0.5], [0.6, 0.7]])  # original data
ndarr_y = np.array([0, 1, 2, 3])  # label

np.savez('test.npz', x=ndarr_x, y=ndarr_y)

rotMNIST形式の変換

SyntheticMedDataを直接、GANには読み込めないので、プログラムにより上記のような入力形式に変換する。

変換プログラムの実行方法

cd inputs
python make_rotMNIST.py

rotMNIST.zip （rotMNISTから300サンプルを抽出した圧縮ファイル）を解凍することで、動作確認できる。

2019/01/16 追加
rotMNIST.zip （rotMNISTから300サンプルを抽出した圧縮ファイル）の場合、実験時にエラーが発生する。
※rotMNISTはサイズが大きいので、少ないサンプル数しかgithub上に置けないが、その場合はサンプル数が少なすぎてエラーが発生する。
rotMNIST を生成したい場合、inputs/build_rotMNIST.pyを実行することで同様のサンプルが得られる。

実行時に必要なパラメータ

• FILNAME ：保存先
• SAMPLES ：読み込むサンプル数（サンプル数が大きくメモリに載らない場合、データセットを複数作成する。）
• MAX_SEQ ：データの系列の長さ（GANではサンプルの系列長を同じ長さに揃える必要がある。）
• INPUT_DIM ：データの入力次元数

※欠損値（NULL）があると、GANは勾配計算が正しくできないので、欠損値は事前に0埋めなどをしておく必要がある。

rotMNISTの生成結果

• オリジナル画像

• RCGANにより生成された画像

データ生成

学習したモデルを利用してサンプルデータを生成

 python generate_sample.py -n 500

-n は生成するサンプルデータの数
※保存先や学習したモデルの指定などは、generate_sample.py のパラメータを修正する。

評価（TSTR)

Train on synthetic, test on real 生成したデータで学習を行い、実データで評価を行う。

 python tstr.py

※学習に使用する入力データなどは、tstr.py のパラメータを修正する。

実験環境

keras (2.2.4)
tensorflow (1.8.0)

参考論文

• REAL-VALUED (MEDICAL) TIME SERIES GENERATION WITH RECURRENT CONDITIONAL GANS
  https://arxiv.org/pdf/1706.02633.pdf

• Generative Adversarial Nets
  https://arxiv.org/pdf/1406.2661.pdf

• Conditional Generative Adversarial Nets
  https://arxiv.org/pdf/1411.1784.pdf

• GENERATIVE MODELS AND MODEL CRITICISM VIA OPTIMIZED MAXIMUM MEAN DISCREPANCY
  https://arxiv.org/pdf/1611.04488.pdf

• Deep Learning with Differential Privacy
  https://arxiv.org/pdf/1607.00133.pdf

• Improved Techniques for Training GANs
  https://arxiv.org/pdf/1606.03498.pdf

参考リポジトリ

• RGAN
  https://github.com/ratschlab/RGAN

• SyntheticMedData
  https://github.com/naegawa/SyntheticMedData

• opt-mmd
  https://github.com/dougalsutherland/opt-mmd

• Deep Learning with Differential Privacy
  https://github.com/tensorflow/models/tree/master/research/differential_privacy

• Keras-GAN
  https://github.com/eriklindernoren/Keras-GAN

その他参考サイト

• 注目のプライバシー Differential Privacy
  https://www.jstage.jst.go.jp/article/jssst/29/4/29_4_40/_pdf