面向多元时间序列分类的鲁棒增强方法
机器学习
2022-01-28 v1
摘要
神经网络能够学习数据的高表达能力，但由于参数众多而易过拟合。这在时间序列分类领域尤为棘手，因为数据集可能包含少于 100 个训练样本。在本文中，我们表明 cutout、cutmix、mixup 和窗口扭曲这些简单方法，能以统计显著的方式提升卷积、循环以及基于自注意力架构在时间序列分类中的鲁棒性与整体性能。我们在东英吉利大学多元时间序列分类（UEA MTSC）档案的 26 个数据集上评估了这些方法，并分析了它们在不同类型时间序列数据上的表现。我们表明，带增强的 InceptionTime 网络在 18 个不同数据集上相比无增强准确率提升了 1% 至 45%。我们还表明增强提升了循环与基于自注意力架构的准确率。
引用
@article{arxiv.2201.11739,
title = {Robust Augmentation for Multivariate Time Series Classification},
author = {Hong Yang and Travis Desell},
journal= {arXiv preprint arXiv:2201.11739},
year = {2022}
}