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

Feb, 2024

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

StiefelGen: A Simple, Model Agnostic Approach for Time Series Data Augmentation over Riemannian Manifolds

Prasad Cheema, Mahito Sugiyama

TL;DR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。

Abstract

data augmentation is an area of research which has seen active development in many machine learning fields, such as in image-based learning models, reinforcement learning for self driving vehicles, and general no

data augmentation time series data machine learning stiefel manifold neural network model

发现论文，激发创造

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

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

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

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

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

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

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

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

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

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。

Sep, 2023

使用时间序列数据增强技术提高全球预测模型的准确度

提出了一种基于数据增强的全局预测模型 (GFM) 方法，通过三种时间序列增强技术生成一系列时间序列，并通过聚合和迁移学习方法将所得到的知识转移至原始数据集，实现在有限数据量情况下提高预测精度的目的。在比赛和实际数据集的评估中，该算法显著提高了 GFM 模型的基准精度，超过了现有基于单变量预测的方法。

Aug, 2020