改进年龄预测：利用基于LSTM的动态预测进行多变量时间序列分析中的数据增强
机器学习
2023-12-15 v1 人工智能
摘要
神经影像数据的高维度和复杂性需要大型数据集来开发稳健且高性能的深度学习模型。然而，神经影像领域因这类数据集的稀缺而受到显著阻碍。在这项工作中，我们提出了一个数据增强和验证框架，利用长短期记忆（Long Short-Term Memory, LSTM）网络进行动态预测来丰富数据集。我们通过以单步和递归配置预测独立成分网络（ICNs）的时间过程来扩展多变量时间序列数据。然后，使用为实际年龄预测任务设计的各种深度学习模型，将这些增强数据集的有效性与原始数据进行比较。结果表明，我们的方法提高了模型性能，为克服神经影像数据集规模有限所带来的挑战提供了一个稳健的解决方案。
引用
@article{arxiv.2312.08383,
title = {Improving age prediction: Utilizing LSTM-based dynamic forecasting for data augmentation in multivariate time series analysis},
author = {Yutong Gao and Charles A. Ellis and Vince D. Calhoun and Robyn L. Miller},
journal= {arXiv preprint arXiv:2312.08383},
year = {2023}
}
备注
4 PAGES, 3 FIGURES, CONFERENCE