在混沌中寻找秩序：一种用于对比学习中时间序列的新颖数据增强方法
机器学习
2023-12-22 v2 人工智能
信号处理
摘要
对比学习的成功众所周知依赖于数据增强。尽管在视觉等一些领域中，数据增强的程度已通过预定义技术得到良好控制，但由于数据生成机制的复杂性（例如心血管系统中涉及的复杂机制），时间序列数据增强较少被探索且仍是一个挑战。此外，尚不存在可跨不同任务应用的广泛认可且通用的时间序列增强方法。本文中，我们提出一种用于准周期时间序列任务的新颖数据增强方法，旨在将类内样本联系起来，从而在潜空间中寻找秩序。我们的方法构建于著名的 mixup 技术之上，引入一种考虑非平稳时间序列周期性的新颖途径。同时，通过控制数据增强所创造的混沌程度，我们的方法带来了改进的特征表示与下游任务性能。我们在三个时间序列任务上评估所提方法，包括心率估计、人类活动识别与心血管疾病检测。针对最先进方法的广泛实验表明，所提方法在最优数据生成与已知数据增强技术上均优于先前工作，反映了该方法的有效性。源代码：https://github.com/eth-siplab/Finding_Order_in_Chaos
引用
@article{arxiv.2309.13439,
title = {Finding Order in Chaos: A Novel Data Augmentation Method for Time Series in Contrastive Learning},
author = {Berken Utku Demirel and Christian Holz},
journal= {arXiv preprint arXiv:2309.13439},
year = {2023}
}
备注
Published at the Conference on Neural Information Processing Systems (NeurIPS) 2023