TADA：用于时序数据的时序对抗数据增强
机器学习
2024-10-16 v2 人工智能
信号处理
摘要
域泛化旨在训练模型以有效应对未知且分布之外的样本。对抗数据增强(ADA)是域泛化中广泛使用的技术。它通过包含旨在模拟潜在未见情景的合成样本来增强模型的鲁棒性，然后用于训练模型。然而，在时序数据上，传统的ADA方法往往难以处理与时序特征相关的分布偏移。为此，我们提出用于时序数据的时序对抗数据增强(TADA)，其包含时序变形到ADA中。尽管时序变形本质上是不可微的，但ADA依赖于通过反向传播生成样本。我们通过利用频域中相位偏移与时域中时移之间的二义性，从而使过程可微。我们在各种时序数据集上进行评估，证明TADA在域泛化方面优于现有方法。此外，利用分布可视化，我们确认TADA引起的分布偏移与ADA引起的偏移明显不同，两者共同有效地模拟了真实世界的分布偏移。
引用
@article{arxiv.2407.15174,
title = {TADA: Temporal Adversarial Data Augmentation for Time Series Data},
author = {Byeong Tak Lee and Joon-myoung Kwon and Yong-Yeon Jo},
journal= {arXiv preprint arXiv:2407.15174},
year = {2024}
}