利用合成数据进行时间序列分类的深度残差网络数据增强
计算机视觉与模式识别
2018-08-08 v1 人工智能
摘要
深度神经网络中的数据增强是指生成人工数据以降低分类器方差从而减少错误数量的过程。这一思想已被证明能在许多计算机视觉任务（如图像识别与目标定位）中提升深度神经网络的泛化能力。除这些应用外，深度卷积神经网络（CNN）近来也在时间序列分类（TSC）领域广受欢迎。然而，与图像识别问题不同，针对TSC任务的数据增强技术尚未被深入探究。这令人惊讶，因为采用数据增强方法时，深度学习方法在TSC上的准确率有望提升，尤其是对于出现过拟合的小数据集。本文中，我们通过研究一种近期提出的基于动态时间规整距离的数据增强技术在一个TSC深度学习模型上的应用，来填补这一空白。为评估扩充训练集的潜力，我们使用UCR TSC基准进行了大量实验。我们的初步实验表明，数据增强能在某些数据集上大幅提升深度CNN的准确率，并在集成方法中使用时显著改善深度模型的准确率。
引用
@article{arxiv.1808.02455,
title = {Data augmentation using synthetic data for time series classification with deep residual networks},
author = {Hassan Ismail Fawaz and Germain Forestier and Jonathan Weber and Lhassane Idoumghar and Pierre-Alain Muller},
journal= {arXiv preprint arXiv:1808.02455},
year = {2018}
}
备注
Accepted at AALTD'18 workshop in ECML/PKDD