极其简单的时序数据 MixUp 方法
机器学习
2023-04-11 v1 人工智能
摘要
由于领域专业知识和数据的动态特性，标注时间序列数据是一项昂贵任务。因此，我们常常不得不处理有限标注数据的场景。数据增强技术已成功部署于计算机视觉等领域以利用现有标注数据。我们将其中一种最常用的技术 MixUp 适配到时间序列领域。我们提出的 MixUp++ 与 LatentMixUp++ 分别通过简单修改在原始时间序列和分类模型潜空间中进行插值。我们还将这些方法扩展至半监督学习以利用未标注数据。我们在两个公共数据集上观察到，对于低标注与高标注数据两种情形，LatentMixUp++ 在时间序列分类上取得了 1% 至 15% 的显著提升。
引用
@article{arxiv.2304.04271,
title = {Embarrassingly Simple MixUp for Time-series},
author = {Karan Aggarwal and Jaideep Srivastava},
journal= {arXiv preprint arXiv:2304.04271},
year = {2023}
}