Sep, 2023

混沌中的秩序发现：对比学习中的时间序列新颖数据增强方法

PDF
TL;DR本研究介绍了一种新的数据增强方法，用于准周期性时间序列任务，通过将类内样本连接在一起，从而在潜在空间中找到顺序。该方法基于著名的混合技术，并结合了一种考虑非平稳时间序列的周期性的新方法。通过控制数据增强引起的混乱程度，我们的方法实现了改进的特征表示和下游任务的性能。在心率估计、人体活动识别和心血管疾病检测等三个时间序列任务上，我们对所提出的方法进行了广泛实验，与最先进的方法进行了比较，结果表明该方法在数据生成和已知数据增强技术方面优于之前的工作，反映了该方法的有效性。
发现论文，激发创造
  • 混沌即阶梯：通过增强重叠来理解对比学习的新理论

    该论文提出了一种新的自监督学习模型，采用数据增强的方法对正样本进行对齐，从而提高下游性能，并通过 ARC 无监督模型选择度量与下游精度相对应。

    Mar, 2022

  • 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

  • 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

  • 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

  • 为网络物理系统生成合成时间序列数据

    数据增强是时间序列领域深度学习应用中的重要驱动因素。研究文献中存在一个空白，即关于时间序列数据增强的主导模型 —— 变换器 —— 的探索非常有限。本文提出了一个将多个成功的先验进行结合的架构，并使用强大的时域相似性度量进行了测试。结果表明了该领域的挑战，以及未来工作的几个有价值的方向。

    Apr, 2024

  • 生理时间序列数据中基于混合的数据增强方法的实证研究

    本研究系统评估了混合型数据增强方法在生理时间序列分类中的性能，并发现混合型增强方法能够显著改善数据集的性能，而且不需要专业知识或大量参数调整。此外，还总结了混合型增强方法的独特属性，并强调在生理时间序列数据中使用混合型增强方法的潜在益处。

    Sep, 2023

  • 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

  • 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

  • StiefelGen：将简单通用的方法应用于黎曼流形上的时间序列数据增强

    本文提出了一种方法，通过使用 Stiefel 流形的矩阵微分几何，将时间序列信号放置在流形上，并在流形上平滑扰动，以同时解决数据增强、时间序列数据和神经网络模型方面的限制。

    Feb, 2024