基于自监督学习的插值混合增强augmentation时序数据方法
机器学习
2025-11-12 v1 计算机视觉与模式识别
摘要
时序数据预测中的数据增强在通过引入变异性来提升模型性能方面发挥着关键作用，同时保持 underlying时序模式。然而，时序数据相较于图像或文本等领域，提供的增强策略较少，像Mixup等先进技术很少被使用。本文提出一种新方法，插值基Mixup增强augmentation（IBMA），将插值增强数据与Mixup增强结合，以增强模型泛化性并提高预测性能。我们在包括DLinear（MLP）、TimesNet（CNN）和iTrainformer（Transformer）在内的几种预测模型上评估了该方法的有效性，这些模型代表了时序预测领域的最新进展。我们的实验在四个数据集（ETTh1、ETTh2、ETTm1、ETTm2）上进行，比较了八种其他增强技术，结果表明IBMA在所有24个实例中都一致地提升了性能，其中10个实例取得了最佳性能，特别是针对iTrainformer插值。
引用
@article{arxiv.2511.07930,
title = {IBMA: An Imputation-Based Mixup Augmentation Using Self-Supervised Learning for Time Series Data},
author = {Dang Nha Nguyen and Hai Dang Nguyen and Khoa Tho Anh Nguyen},
journal= {arXiv preprint arXiv:2511.07930},
year = {2025}
}
备注
9 pages, 1 figure, 1 table, accepted at the AAAI2025 conference