Nov, 2023

利用数据增强和时频转换进行时间序列分类的小样本学习

PDF
TL;DR通过数据增强进行的少样本学习，结合时间 - 频率领域的转换和随机擦除合成图像生成，提出了一种新颖的少样本学习框架。实验结果表明，该方法能够在两个数据集上分别达到 93.75% 和 95.48% 的 F1 得分以及 93.33% 和 95.59% 的准确率，证明在解决时间序列分类中的少样本问题上具有实际应用价值。
deep neural networksfew-shot learningdata augmentationsequence-spectrogram neural networktime series classification
发现论文，激发创造
  • 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

  • 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

  • 元学习用于少样本时间序列分类

    利用梯度元学习方法，以残差神经网络作为元学习代理来进行少样本时间序列分类问题的模型训练，实现在少量目标任务训练样本下对来自不同领域的目标任务进行快速预测，在 UCR TSC Archive 数据集中实现较强的表现。

    Sep, 2019

  • 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

  • 用于专门的网络威胁情报的多级微调、数据增强和少样本学习

    尽管现有分类器的泛化能力不佳，但我们提出了一种基于机器学习的方法来从开放源中收集适当的网络安全信息。我们将三种不同的小数据技术 (转移学习，数据增强和少样本学习) 相结合，训练了一个高质量的分类器，发现 F1 得分比标准训练方法提高了超过 21 个点，比少样本学习的现有方法提高了超过 18 个点。

    Jul, 2022

  • TTS-GAN: 基于 Transformer 的时间序列生成对抗网络

    介绍了一种基于 transformer 的生成对抗网络用于扩充时间序列的数据大小，实现了能够生成与真实数据序列类似的合成时间序列数据。

    Feb, 2022

  • 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

  • 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

    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。

    Apr, 2020

  • 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

  • FrAug: 时域预测的频率域增强技术

    本文提出了一种名为 FrAug 的频率域增强方法，以改善时间序列预测模型的精度，并且也能够在数据量少和分布变化时发挥作用。

    Feb, 2023