IB-GAN：类别不平衡下多元时间序列分类的统一方法
机器学习
2021-10-15 v1 机器学习
摘要
对具有严重类别不平衡的大型多元时间序列进行分类是现实应用中的一项重要任务。标准的类别权重、过采样或参数化数据增强方法并不总能显著改善对少数类别的预测。利用生成对抗网络（GAN）进行非参数化数据增强提供了一种有前景的解决方案。我们提出插补平衡 GAN（IB-GAN），这是一种通过插补-平衡方法将数据增强与分类合二为一的新方法。IB-GAN 利用插补和重采样技术，从随机掩码向量中生成比从白噪声中更高质量的样本，并通过类别平衡的真实与合成样本集来增强分类。插补超参数 允许通过调节生成器插补引入的创新来正则化分类器的变异性。IB-GAN 训练简单且与模型无关，可将任何深度学习分类器与生成器-判别器组合配对，从而为观测不足的类别带来更高的准确率。在开源 UCR 数据和专有的 9 万产品数据集上的实证实验表明，与最先进的参数化方法和 GAN 基线相比，性能有显著提升。
引用
@article{arxiv.2110.07460,
title = {IB-GAN: A Unified Approach for Multivariate Time Series Classification under Class Imbalance},
author = {Grace Deng and Cuize Han and Tommaso Dreossi and Clarence Lee and David S. Matteson},
journal= {arXiv preprint arXiv:2110.07460},
year = {2021}
}