ICLRJul, 2022

不要过度拟合历史数据 —— 递归时间序列数据增强

PDF
TL;DR该论文介绍了一种递归插值方法（RIM），该方法可用于增强时间序列数据，以提高在回归、分类和强化学习任务中的性能，并通过理论分析保证了其测试性能。
time seriesdynamical systemoverfittingaugmentationrim
发现论文，激发创造
  • 时间序列数据增强的不平衡学习问题

    这篇研究提出了一种生成单变量时间序列合成样本的新方法，通过使用过采样技术创建合成时间序列观测来改善预测模型的准确性，并在实验中证明了该方法优于全局模型和本地模型，提供了更好的权衡。

    Apr, 2024

  • 递归独立机制

    本篇文章介绍了一种全新的循环神经网络结构 RIMs，该结构可学习反映环境动态的模块化特征，具有更好的泛化性和适应性，通过对 RIMs 的专业化策略，可以在某些变量因素在训练和测试过程中发生系统性变化的任务上实现显著的改进。

    Sep, 2019

  • 使用原型的跨列信息进行不规则采样时间序列的插补

    PRIME 是一个整合了序列内和序列间信息的原型循环插补模型，用于不规则采样的时间序列中的缺失值插补。实验证明，PRIME 相对于现有模型在均方误差上提升了最高达 26%。

    Jan, 2024

  • 使用时间序列数据增强技术提高全球预测模型的准确度

    提出了一种基于数据增强的全局预测模型 (GFM) 方法，通过三种时间序列增强技术生成一系列时间序列，并通过聚合和迁移学习方法将所得到的知识转移至原始数据集，实现在有限数据量情况下提高预测精度的目的。在比赛和实际数据集的评估中，该算法显著提高了 GFM 模型的基准精度，超过了现有基于单变量预测的方法。

    Aug, 2020

  • 基于隐式神经表示的时间序列连续建模：插值与预测

    该研究提出了一种使用隐式神经表示法的时间序列建模方法，能够有效捕捉时间序列的连续性，并提供对处理缺失数据、不规则采样或多个传感器的不对齐观测等常见问题的自然解决方案，并通过实验表明，在预测和填充任务中取得了最先进的性能，能够灵活处理各种具有挑战性的场景。

    Jun, 2023

  • 递归推理机解决逆问题

    通过训练循环神经网络掌握算法构建，我们提出了基于学习的循环推理机（RIM）框架以实现超越领域特定知识的抽象，并在多个图像修复实验中取得了最先进的性能，包括图像去噪和超分辨率任务，并具有优良的跨任务泛化性能。

    Jun, 2017

  • 多变量时间序列分类的数据增强：一个实验研究

    我们的研究探讨了数据增强对多变量时间序列模型性能的影响，重点关注 UCR 存档中的数据集。尽管这些数据集规模有限，但我们通过使用 Rocket 和 InceptionTime 模型，在 13 个数据集中有 10 个实现了分类准确度的提升。这突显了充足数据在训练有效模型中的重要作用，并与计算机视觉领域取得的进展相一致。我们的工作在创新的方式下将现有方法适应并应用于多变量时间序列分类领域。我们对这些技术的全面探索为解决时间序列分析中的数据稀缺性设立了新标准，强调多样化的增强策略对于发掘传统和深度学习模型的潜力至关重要。此外，通过细致分析和应用各种增强技术，我们证明了战略性的数据丰富可以提高模型准确度。这不仅为未来的时间序列分析研究确立了基准，还强调了在有限数据可用性情况下采用多样化增强方法以提高模型性能的重要性。

    Jun, 2024

  • 基于物理引导的机器学习的光谱数据反演问题

    我们提出了正则化循环推断机（rRIM），一种新颖的机器学习方法，用于通过测量的光谱推导配对胶功能的挑战性问题。rRIM 将物理原理融入训练和推断中，具有噪声鲁棒性、适应性和减少数据需求的特点。它有效地从实验光谱中获取可靠的配对胶功能，并为类似 Fredholm 积分方程的逆问题提供了有希望的解决方案。

    Apr, 2024

  • 训练未来：一种简单的梯度插值损失函数用于时间泛化

    提出一种利用 Gradient Interpolation（GI）正则化模型的时间复杂度的简单方法来解决机器学习模型在时间序列数据上的过拟合问题，结果证明该方法表现优于现有的基线方法。

    Aug, 2021

  • 一种端到端的时间序列模型，用于同时进行填充和预测

    本文提出了一个基于神经网络的端到端模型，可以在存在缺失值的时间序列数据上，同时实现预测并融合缺失值，相比现有方法表现出更好的综合性能。

    Jun, 2023