May, 2024

基于分类的时间序列数据增强方法应对太阳耀斑预测中的极端类别不平衡

PDF
TL;DR本研究提出了一种用于时间序列数据的新型数据增强方法 —— 均值高斯噪声（MGN），并通过在太阳耀斑预测的多变量时间序列数据集 SWAN-SF 上使用时间序列数据的机器学习算法 TimeSeriesSVC，将 MGN 的性能与八种现有的基本数据增强方法进行了比较，结果表明 MGN 的有效性，并突显其在极度不均衡数据场景中改善分类性能的潜力。此外，时间复杂性分析表明，与所调查的备选方法相比，MGN 也具有竞争力的计算成本。
发现论文，激发创造
  • 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

  • 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

  • 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

  • 使用生成对抗网络进行数据中心多元情景预测的数据增强

    本文探讨了利用生成对抗网络 (GANs) 进行时序数据的合成预测，从而实现在数据中心 (Data Center) 中生成大量可供人工智能算法使用的合成数据的目标，同时提出了通过综合考虑 Kullback-Leibler 散度和均方误差这两个新测量指标来验证合成时间序列的方法，并通过实际数据进行验证。该研究能帮助优化数据中心的能源消耗，而所提出的方法也可应用于类似的时间序列问题。

    Jan, 2022

  • 太阳合成成像：在 SDO/AIA 数据上引入去噪扩散概率模型

    利用生成深度学习模型 DDPM 合成太阳现象的图像，以解决太阳活动预测的数据稀缺问题，并展示了在生成逼真太阳图像方面的有希望的结果，强调 DDPM 在太阳数据分析和预测方面的潜力，以及在其他深度学习和物理任务中的应用探索。

    Apr, 2024

  • 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

  • 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

  • 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

  • 贝叶斯数据增强方法用于深度模型学习

    提出了一种基于贝叶斯公式，利用广义蒙特卡洛期望最大化算法和生成对抗网络的方法，能更好地生成新的标注训练样本，并在 MNIST，CIFAR-10 和 CIFAR-100 的数据集中取得了优于现有数据增强方法和 GAN 模型的分类结果。

    Oct, 2017