基于神经网络的时间序列分类中数据增强的实证综述
机器学习
2021-09-15 v4 机器学习
摘要
近年来，深度人工神经网络在模式识别中取得了诸多成功。部分成功可归因于依赖大数据以提升泛化能力。然而，在时间序列识别领域，许多数据集往往非常小。解决此问题的方法之一是使用数据增强。本文综述了时间序列的数据增强技术及其在基于神经网络的时间序列分类中的应用。我们提出一种分类体系，并概述了时间序列数据增强的四大类，包括基于变换的方法、模式混合、生成模型和分解方法。此外，我们在 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。通过结果，我们能够分析每种数据增强方法的特征、优缺点及建议。本综述旨在帮助针对神经网络应用选择时间序列数据增强。
引用
@article{arxiv.2007.15951,
title = {An Empirical Survey of Data Augmentation for Time Series Classification with Neural Networks},
author = {Brian Kenji Iwana and Seiichi Uchida},
journal= {arXiv preprint arXiv:2007.15951},
year = {2021}
}