Apr, 2020

利用判别式 teacher 进行时间扭曲的神经网络时间序列数据增强

PDF
TL;DR本文旨在解决时间序列分类数据集较小的问题，提出了一种基于动态时间规整的数据增强方法 guided warping，使用深度卷积神经网络和循环神经网络对 85 个时序数据集进行了评估。
neural networkstime series classificationdata augmentationdynamic time warpingdeep convolutional neural network
发现论文，激发创造
  • 深度关注时间扭曲

    本文提出了一种神经网络模型来进行任务自适应时间对齐，使用注意力模型开发了一个明确的具有更大畸变不变性的时间对齐机制，并通过度量学习进行训练，与传统的基于 DTW 的可学习模型不同，它能够学习目标任务的最佳数据相关对齐，实验证明了我们模型在在线签名验证方面的超过 DTW 并且创造了最先进的性能。

    Sep, 2023

  • 使用合成数据进行时间序列分类的数据增强与深度残差网络

    本文研究了基于动态时间规整距离的数据增强技术在深度学习模型在时间序列分类任务中的应用，通过对 UCR TSC 基准测试集的大量实验，发现数据增强可以显著提高深度 CNN 在某些数据集上的准确度，并在集合方法中使用此方法可以显著改善模型准确度。

    Aug, 2018

  • 基于神经网络的时间序列分类数据增强实证调查

    本论文调研了时间序列数据增强技术及其在神经网络时间序列分类中的应用，其中提出了四种基于变换、模式混合、生成模型和分解方法的方法， 并在 128 个时间序列分类数据集上使用六种不同类型的神经网络对 12 种时间序列数据增强方法进行了实证评估，以分析每种数据增强方法的特点、优缺点和建议，并旨在帮助选择神经网络应用的时间序列数据增强方法

    Jul, 2020

  • 时间变换网络：不变性和区分性时间弯曲的联合学习

    提出了一种基于混合模型和数据驱动的时间变形网络 (TTN)，可用于降低类内差异并提高类间差异，在 3D 动作识别中获得了显著的改进。

    Jun, 2019

  • 时间序列分析的同胚变换：非线性扭曲的高效方法

    这篇论文提出了一种新颖的弹性对齐方法，采用参数化和可微分的扭曲变换来克服动态时间规整（DTW）度量的不足，该方法适用于深度学习架构，鲁棒性强，具有计算效率高、表达和灵活性强等优点。

    Sep, 2023

  • 利用动态时间规整学习区分原型

    本文提出了 DP-DTW 方法，用于学习类别特定的判别式原型，以便在时间识别任务中实现更好的性能，并且结合端到端深度学习，可在标准基准测试中实现最先进的弱监督行动分割问题，并通过对所学行动原型的详细推理来启用输入视频的详细摘要，即可以通过将输入序列与行动原型对齐来获得基于行动的视频摘要。

    Mar, 2021

  • 可训练时间扭曲：在连续时间域中对齐时间序列

    本论文介绍一种新的可训练时间扭曲算法（TTW），该算法的时间复杂度线性增长，其使用 sinc 卷积核和梯度优化技术在连续时间域内执行对多个时间序列的对齐， 并在对 85 个 UCR 数据集的时间序列平均和分类任务中表现比广义时间扭曲（GTW）更优秀。

    Mar, 2019

  • 用于端到端对齐路径学习的深度声明动态时间规整

    本文提出了一种基于双层优化和深度声明网络的 DTW 层，可以将 DTW 表示为连续的优化问题，并计算出最优的对齐路径，可用于自动化的时间序列数据对齐。

    Mar, 2023

  • 时间序列分类和聚类的广义时间扭曲不变字典学习

    本文介绍了一种基于广义时间对齐的词典学习算法，该算法使用连续基函数来提高时间对齐的连续性，并通过优化问题来联合优化时间对齐路径、词典和稀疏系数。该算法在分类和聚类方面表现出优秀的性能，并已在公共数据集上进行了验证。

    Jun, 2023

  • 分类问题中数据增强的理解：何时进行扭曲变换？

    本文研究了在机器学习分类器的训练中，通过合成数据样本来增强数据的效果。通过数据扭曲和特征空间中的合成过采样两种方法，我们对卷积神经网络，卷积支持向量机和卷积极限学习机分类器在标准的 MNIST 手写数字数据集上进行了实验评估。实验结果表明，在数据空间中合成数据可以更有效地提高性能和缓解过拟合问题。

    Sep, 2016