DTW-Merge：一种用于时间序列分类的新型数据增强技术
机器学习
2021-08-24 v2
摘要
近年来，神经网络在各种应用中取得了巨大成功。训练深度神经网络的主要挑战在于缺乏充足的数据以提升模型的泛化能力并避免过拟合。解决方案之一是生成新的训练样本。本文提出了一种基于动态时间规整（Dynamic Time Warping）的时间序列新型数据增强方法。该方法受如下概念启发：两条时间序列中经规整的部分具有相似的时间特性，因此在这两条序列之间交换这些部分可生成新的训练样本。所提方法随机选取最优规整路径中的一个元素，然后交换对齐在一起的片段。将所提方法与近期提出的 ResNet 结合使用，在 2018 UCR 时间序列分类档案上取得了改进的结果。通过利用梯度加权类激活映射（Grad-CAM）和多维尺度分析（MDS），我们表明我们的方法能从时间序列中提取更具判别性的特征。
引用
@article{arxiv.2103.01119,
title = {DTW-Merge: A Novel Data Augmentation Technique for Time Series Classification},
author = {Mohammad Akyash and Hoda Mohammadzade and Hamid Behroozi},
journal= {arXiv preprint arXiv:2103.01119},
year = {2021}
}