DTWSSE：用于时间序列的带孪生编码器的数据增强方法
机器学习
2021-08-24 v1 人工智能
摘要
在现实世界中，带标签的时间序列数据通常有限，这制约了深度学习模型在时间序列分析领域的性能。数据增强是解决时间序列数据集中小样本和不平衡问题的有效途径。数据增强的两个关键因素是距离度量和插值方法的选择。SMOTE 在时间序列数据上表现不佳，因为它使用欧氏距离度量并直接在对象上插值。因此，我们提出了一种基于 DTW 的、利用孪生编码器进行插值的合成少数类过采样技术，命名为 DTWSSE。为合理度量时间序列的距离，采用已被验证为有效方法的 DTW 作为距离度量。为适配 DTW 度量，我们使用以无监督自训练方式训练的自动编码器进行插值。编码器为孪生神经网络（Siamese Neural Network），用于将时间序列数据从 DTW 隐空间映射到欧氏深度特征空间，解码器用于将深度特征空间映射回 DTW 隐空间。我们在多个不同的平衡或不平衡时间序列数据集上验证了所提方法。实验结果表明，所提方法可提升下游深度学习模型的性能。
引用
@article{arxiv.2108.09885,
title = {DTWSSE: Data Augmentation with a Siamese Encoder for Time Series},
author = {Xinyu Yang and Xinlan Zhang and Zhenguo Zhang and Yahui Zhao and Rongyi Cui},
journal= {arXiv preprint arXiv:2108.09885},
year = {2021}
}
备注
Accepted as full research paper in APWEB-WAIM 2021