Apr, 2024

深度学习中的即时数据增强技术用于预测

PDF
TL;DR利用 OnDAT (即时数据增强) 方法，在深度学习模型的训练和验证过程中动态生成不断变化的增强数据集，以减少过拟合并提高预测性能。通过实验证明，与在训练之前应用数据增强的策略以及不采用数据增强的策略相比，OnDAT 方法能够获得更好的预测性能。
deep learningdata augmentationon-the-flyforecastingtime series
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

  • 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

  • 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

  • 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

  • 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

  • 交通分类的数据增强

    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。

    Jan, 2024

  • 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

  • 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

  • 在低数据环境中通过合成数据提高室内温度预测能力

    通过结合真实数据和合成数据来改善训练集并解决数据不平衡问题，合成数据增强在提高预测准确性方面具有潜力，并可为低数据环境下的更强大的预测模型铺平道路。

    Jun, 2024