StyleTime:用于合成时间序列生成的风格迁移
机器学习
2022-09-26 v1
摘要
神经风格迁移是一种强大的计算机视觉技术,可将一幅图像的艺术“风格”融入另一幅图像的“内容”中。该方法背后的理论基础依赖于如下假设:图像的风格由其特征的 Gram 矩阵表示,该矩阵通常从预训练卷积神经网络(如 VGG-19)中提取。这一思想不能直接推广到时间序列的风格化,因为二维图像的风格概念与一维时间序列的风格概念并不类似。本工作中,提出了一种用于合成数据生成与增强的时间序列风格迁移新公式。我们引入了时间序列风格化特征的概念,其直接关联于时间序列真实感属性,并提出了一种称为 StyleTime 的新颖风格化算法,该算法使用显式特征提取技术将一时间序列的底层内容(趋势)与另一时间序列的风格(分布属性)相结合。此外,我们讨论了评估指标,并将我们的工作与现有的最先进时间序列生成与增强方案进行比较。为验证方法有效性,我们使用风格化合成数据作为数据增强手段,以提升循环神经网络模型在若干预测任务上的性能。
引用
@article{arxiv.2209.11306,
title = {StyleTime: Style Transfer for Synthetic Time Series Generation},
author = {Yousef El-Laham and Svitlana Vyetrenko},
journal= {arXiv preprint arXiv:2209.11306},
year = {2022}
}