Jan, 2024

交通分类的数据增强

PDF
TL;DR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。
data augmentationtraffic classificationpacket time seriestraining conditionslatent space analysis
发现论文，激发创造
  • 探索适用于交通分类的生成式数据增强方法

    该研究论文主要讨论在网络使用情况下，包括流量分类领域尚未推广的数据增强技术对性能的改进，通过研究 14 种手工制作的数据增强方法在 MIRAGE19 数据集上的初步研究结果显示，数据增强可以在流量分类方面带来未被发掘的好处，从而促进了自动化数据增强设计的研究议程。

    Oct, 2023

  • 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

  • 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

  • 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

  • 使用 Flowpic 输入表示对交通分类进行对比学习和数据增强

    在过去的几年中，由于深度学习的兴起，交通分类（TC）引起了人们持续的兴趣。然而，绝大多数 TC 文献缺乏代码实现、跨数据集的性能评估以及与机器学习（ML）方法的参考比较。在这篇论文中，我们在多个数据集上再现了一个采用最近的 DL 方法的研究，并验证了数据增强策略在其他数据集上的有效性。

    Sep, 2023

  • 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

  • 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

  • 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

    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。

    Oct, 2022

  • 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

  • 对话人工智能的数据增强

    对话系统中的数据扩充方法提供了关键的方法来解决数据稀缺问题，并探讨了对话系统中的生成、评估等任务中的挑战与未来方向。

    Sep, 2023