具小樣本數值資料學習能力之生成對抗網路

GAN以在不少文獻中證實其圖片生成與辨識之效能，但較少有文獻中應用於小樣本資料與數值資料中，且有運行時間過長的問題。而MTD亦在不少文獻中證實其效能，但最大的問題在於缺乏篩選機制，容易生成出與母體不相符的虛擬樣本。本計畫應用GAN之核心理念，藉由鑑別網路與生成網路的相互訓練，提升虛擬樣本的真實度，且將其神經網路進行修改以能夠輸入數值資料，並透過MTD限制母體值域，加速虛擬樣本生成時間。此外，本計畫同時使MTD能因為鑑別網路辨識生成樣本而有篩選機制，避免生成與母體不相符之虛擬樣本。因此，本計畫提出之GAN能運用於小樣本數值資料的學習與數值資料的生成，以有效的解決樣本數不足之問題。