基于深度学习的生物行为时间序列数据增广经验评估

深度学习近期在许多任务上表现卓越。然而，深度模型的优越性能严重依赖大量训练数据的可用性与规模，这限制了深度模型在各种临床与情感计算任务上的广泛适配，因为标注数据通常十分有限。作为一种提升数据多样性从而以更好泛化性训练深度模型的有效技术，数据增广（DA）是深度学习模型在生物行为时间序列数据上取得成功的关键步骤。然而，针对不同任务、不同深度模型的各种 DA 对生物行为时间序列数据的有效性尚缺乏充分研究。本文中，我们首先系统回顾了八种面向生物行为时间序列数据的基础 DA 方法，并在七个数据集、三种骨干网络上评估其效果。接着，我们探索通过将近期 DA 技术（即自动增广、随机增广）适配到生物行为时间序列数据，设计了一种适用于时间序列数据的新策略架构。最后，我们尝试回答“为何某 DA 有效（或无效）”的问题：先总结增广的两个期望属性（挑战性与保真性），再利用两个指标定量度量相应属性，从而可通过设计更具挑战性但仍保真的变换，指导我们搜索更有效的生物行为时间序列 DA。我们的代码与结果见链接。