Generazione di dati sintetici per serie storiche: il framework TimeGAN

La grande quantità d’informazioni prodotta quotidianamente può non essere sufficiente ad addestrare efficacemente le reti neurali. A volte, inoltre, i dati che si utilizzano devono essere resi anonimi per rispettare le leggi e le normative in merito alla protezione della privacy e dei dati personali. In questo contesto si inseriscono i dati sintetici, informazioni prodotte da un algoritmo di machine learning di tipo generativo in grado di avere le stesse caratteristiche e la stessa distribuzione dei dati originali, rendendoli indistinguibili da quelli reali. Le serie storiche, a causa delle complesse dinamiche e relazioni temporali, non riescono però a essere generate correttamente da algoritmi come le Generative Adversarial Networks o i Variational AutoEncoders: TimeGAN si pone l’obiettivo di produrre dati sintetici realistici di serie temporali. In questa tesi verrà analizzato e testato il suo funzionamento, con l’obiettivo di verificarne la generazione d’informazioni, analizzandone i vantaggi e gli svantaggi.