对于时间序列分类中对比学习的增强选择的指导方针
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
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
本文介绍了一种利用对比学习中数据增强的方法来解决多个数据增强方法所带来的问题,该方法在不同深度上对不同的数据增强实现学习以及扩展对比内容以减少过多的数据增强对于下游任务带来的负面影响,通过实验证明了该方法可以有效学习与多个基准测试相关的更好的表示。
Jun, 2022
本文提出了一种名为LEAVES的用于自动产生时间序列数据视图的学习方法,以自我对比学习为背景,该方法使用对抗性训练来学习增强的超参数,并在多个时间序列数据集上验证了其有效性,表明该方法比基于手动调整的自举学习方法和现有技术更有效地训练视图及下游任务。
Oct, 2022
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
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
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
通过分析时间序列数据增强使用信息理论,并总结最常采用的增强方法,我们提出了一种参数增强的对比学习框架AutoTCL,它可以自适应地支持时间序列表示学习,无缝集成在不同的主干编码器中,实验证明在一元预测任务和分类任务中,我们的方法分别比领先的基准方法平均降低6.5%和4.7%的误差,并提高1.2%的平均准确率。
Feb, 2024
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