利用深度学习对生物行为时间序列数据进行数据增强的实证评估

Oct, 2022

利用深度学习对生物行为时间序列数据进行数据增强的实证评估

Empirical Evaluation of Data Augmentations for Biobehavioral Time Series Data with Deep Learning

Huiyuan Yang, Han Yu, Akane Sano

TL;DR本文系统地研究了八种基本数据增强方法并应用于七个数据集和三个骨干网络，同时还尝试了应用更多最新的自动数据增强技术到生物行为时间序列数据。通过本文的研究，我们得出了一些指标，这些指标可以指导我们设计更有效的数据增强方法。

Abstract

deep learning has performed remarkably well on many tasks recently. However, the superior performance of deep models relies heavily on the availability of a large number of training data, which limits the wide adaptation of deep models on various clinical and affective computing tasks,

deep learning data augmentation biobehavioral time series data automatic augmentation random augmentation

发现论文，激发创造

深度学习中的时间序列数据增强：一项调查

本文系统地回顾了多种用于时间序列数据的数据增强方法，并通过对它们的优点和局限性进行结构化的概述来比较它们的性能，包括在不同任务下的时间序列分类、异常检测和预测，并讨论并强调了五个未来的研究方向。

Feb, 2020

时间序列领域中的数据增强技术：调查和分类

本文为了指导未来的研究者，系统地回顾了基于深度生成模型的时间序列数据生成算法，并提出了最相关的研究分类学，同时对算法的性能和评估进行了分析。

Jun, 2022

时间序列分类的数据增强：一份综合调查

对于时间序列分类中的数据增强技术进行了详细研究，包括对过去十年间超过百篇研究论文中六十种不同数据增强方法的全面评估，并提出了专为时间序列分类设计的创新分类法，同时针对数据特征给出了基于实验结果的准确和实用建议。

Oct, 2023

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

交通分类的数据增强

数据增强（DA）在计算机视觉（CV）和自然语言处理（NLP）领域被广泛采用以提高模型性能，然而在网络环境中，尤其是在流量分类（TC）任务中，数据增强一直存在问题。本文通过对 3 个 TC 数据集使用数据包时间序列作为输入表示，并考虑多种训练条件，基准测试了 18 种增强函数，结果显示（i）DA 可以获得以前未探索的优势，（ii）基于时间序列顺序和掩码的增强函数更适用于 TC，（iii）简单的潜在空间分析可以提供有关增强效果的线索。

Jan, 2024

基于深度学习的有限数据加速 MRI 重建中的数据增强

本研究针对医学图像重建问题，提出了一种数据增强（DA）的方法 MRAugment，通过多项实验证明，在训练数据较少的情况下，MRAugment 能有效地防止过拟合并达到甚至超过目前最新技术水平；而在大量训练数据下，MRAugment 的效果则有所降低。此外，研究结果还表明，DA 方法能提高模型对于测试数据偏移的鲁棒性。

Jun, 2021

自然语言处理中的数据增强方法综述

本文综述了数据增强的三个类别：释义、加噪和采样，以及在 NLP 中的应用和挑战。

Oct, 2021

D3A-TS: 时间序列中的去噪驱动数据增强

研究了在时间序列的分类和回归问题中，使用不同的技术进行数据增强的方法，特别关注了使用扩散概率模型和元属性来生成合成数据的可行性，结果表明该方法在训练分类和回归模型时具有很高的实用性。

Dec, 2023

数据增强已死，数据增强万岁

在这篇论文中，我们挑战了传统数据增强方法的有效性，并表明经过更多时间的微调可以抵消数据增强的效果。我们还展示了零和少量数据生成方法通过对话代理（如 ChatGPT 或 LLama2）可以提高性能，从而总结出这种形式的数据增强仍然有效，即使传统方法不起作用。

Feb, 2024

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