Naukowcy z arXiv opracowali TriHead-GAN, specjalistyczną sieć generatywną do tworzenia syntetycznych danych czasowych dotyczących emisji węgla. Rozwiązanie powstało w odpowiedzi na krytyczny problem: miasta posiadają zaledwie fragmentaryczne dane pomiarowe, co uniemożliwia stosowanie zaawansowanych modeli głębokich do monitorowania emisji i egzekwowania regulacji klimatycznych.
Istniejące podejścia oparte na GAN i diffusion modelach miały poważne ograniczenia. Generowały dane pasujące do ogólnych statystyk rozkładu, ale nie uchwyciały bardziej subtelnych aspektów rzeczywistych zmiennych — zależności między CO2 a innymi zanieczyszczeniami czy czynnikami meteorologicznymi. Dodatkowo syntetyczne szeregi były zbyt gładkie, pozbawione naturalnych skoków i zmienności charakterystycznych dla danych atmosferycznych.
TriHead-GAN rozwiązuje te problemy poprzez innowacyjną architekturę dyskryminatora. Jego trzy niezależne głowice nadzorują trzy aspekty danych: autentyczność rozkładu (krytyk Wassersteina), zależności między zmiennymi (regresja bez wycieków) oraz realną zmienność czasową (predykcja różnic sąsiednich). Generator łączy global self-attention z lokalnymi konwolucjami czasowymi, iniekcją szumu na każdy krok i stratą anti-smoothing. Testy na zbiorze Changsha Carbon wykazały, że TriHead-GAN generuje dane znacznie bliższe rzeczywistości, co otwiera perspektywy dla lepszego monitorowania emisji miast i wsparcia dla unijnych mechanizmów regulacyjnych.