Aug, 2023

PAITS: 针对不规则采样时间序列的预训练和数据增强

PDF
TL;DR通过结合自然语言处理（NLP）启发的预训练任务和增强方法，以及随机搜索，我们提出了一种用于识别稀疏和不规则采样时间序列数据集的合适预训练策略的框架（PAITS）。
time series datairregularly-sampledsparsepretraining strategiesnlp-inspired
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

  • 信息感知数据增强的时间序列对比学习

    本研究提出了一种基于信息论的新的对时间序列数据进行自适应数据增强的对比学习方法 InfoTS，并在各种数据集上进行了实验以展示其强有力的性能表现。

    Mar, 2023

  • 长期预测的数据增强策略搜索

    我们介绍了一种名为 TSAA 的时间序列自动增强方法，用于应对长期预测中的过拟合挑战，并在挑战性的一元和多元预测基准问题上表现出卓越的性能，建议将其整合到预测流程中。

    May, 2024

  • 面向时间序列预测的多样性和连贯性增强

    本文提出了一种结合了谱分解和时间分解的数据增强方法，可用于预测型时间序列数据的生成，实验表明该方法在五个真实的数据集上均取得了比其他基准模型和增强方法更好的表现。

    Mar, 2023

  • 通过增强表示编码时间统计空间先验

    通过表示增强技术，我们的方法在时间序列数据建模方面取得显著成效，并在实证泛化性能方面明显优于最新的五个基准模型，可广泛应用于各种领域。

    Jan, 2024

  • 团结共识，共著失败！基于同时在 75 个数据集上进行预训练的时间序列表示学习

    自我监督对比式预训练方法和插值方法在多个时间序列数据集上的学习表明，可以从多个时间序列数据集中学习，对于低数据情况下的微调具有优势。

    Feb, 2024

  • 不规则采样时间序列的学习：缺失数据视角

    本文介绍一种基于变分自编码器和生成对抗网络的编码器 - 解码器框架，用于学习不规则采样的时间序列数据，提出了一种连续卷积层用于与现有神经网络体系结构高效对接。实验证明，该模型在不规则多元时间序列分类的结果上可以比最近的 RNN 模型表现得更好，同时具有显著更快的训练速度。

    Aug, 2020

  • 具有时序不规则性的多元时间序列的概率学习

    提出了一种解决非均匀时间间隔和时间上的不对齐问题的概率预测模型，该模型通过允许观测时间成为模型构建的核心来克服现有方法的局限性，使用条件流表示来非参数地表示数据分布，并通过精心分解对数似然目标来监督该表示。

    Jun, 2023

  • 不规则采样时间序列的多时间注意力网络

    本篇论文针对电子健康档案中所涉及的稀疏、不规则采样、多变量的生理时序数据提出一种名为 Multi-Time Attention Networks 的多时间注意网络的深度学习框架，并使用多个数据集进行内插和分类任务的性能研究，结果表明该框架的性能优于许多基线和最近提出的模型，同时提供了比当前最先进方法更快的训练速度。

    Jan, 2021

  • 时间序列对比学习的参数增强

    通过分析时间序列数据增强使用信息理论，并总结最常采用的增强方法，我们提出了一种参数增强的对比学习框架 AutoTCL，它可以自适应地支持时间序列表示学习，无缝集成在不同的主干编码器中，实验证明在一元预测任务和分类任务中，我们的方法分别比领先的基准方法平均降低 6.5% 和 4.7% 的误差，并提高 1.2% 的平均准确率。

    Feb, 2024