OATS：面向时间序列基础模型的在线数据增强
机器学习
2026-01-28 v1
摘要
时间序列基础模型 (TSFMs) 是时间序列分析的强大范式，常通过合成数据增强来提高训练数据质量。然而，现有增强方法通常依赖启发式方法和静态范式。以动态数据优化为动机——该方法显示样本在不同训练阶段的贡献各不相同——我们提出 OATS (Online Data Augmentation for Time Series Foundation Models)，一种为不同训练步骤量身定制生成合成数据的原则方法。OATS 利用valuable训练样本作为原则性指导信号，条件化后动态生成高质量合成数据。我们进一步设计了基于扩散的框架来生成逼真的时间序列，并引入探索-开发机制以平衡效率与效果。在 TSFMs 上进行的实验表明，OATS 持续优于常规训练，在六个验证数据集和两个 TSFM 架构上均显著优于静态数据增强基线。代码已提供链接 https://github.com/microsoft/TimeCraft。
引用
@article{arxiv.2601.19040,
title = {OATS: Online Data Augmentation for Time Series Foundation Models},
author = {Junwei Deng and Chang Xu and Jiaqi W. Ma and Ming Jin and Chenghao Liu and Jiang Bian},
journal= {arXiv preprint arXiv:2601.19040},
year = {2026}
}