面向不平衡时间序列分类的少数类过采样
机器学习
2022-04-19 v5 机器学习
摘要
许多重要的现实应用涉及具有偏斜分布的时间序列数据。与传统的非平衡学习问题相比，不平衡时间序列数据的分类由于高维度和高变量间相关性而更具挑战性。本文提出一种保持结构的过采样方法来应对高维不平衡时间序列分类（OHIT）。OHIT 首先利用基于密度比的共享最近邻聚类算法来捕捉高维空间中少数类的模态。然后对每个模态应用大维协方差矩阵的收缩技术以获得准确可靠的协方差结构。最后，OHIT 使用估计的协方差矩阵基于多元高斯分布生成保持结构的合成样本。在多个公开可用的时间序列数据集（包括单模态和多模态）上的实验结果证明了 OHIT 在 F1、G-mean 和 AUC 方面相对于最先进过采样算法的优越性。
引用
@article{arxiv.2004.06373,
title = {Minority Oversampling for Imbalanced Time Series Classification},
author = {Tuanfei Zhu and Cheng Luo and Jing Li and Siqi Ren and Zhihong Zhang},
journal= {arXiv preprint arXiv:2004.06373},
year = {2022}
}