基于判别型教师时间扭曲的神经网络时间序列数据增强
机器学习
2020-04-21 v1 机器学习
摘要
神经网络已成为模式识别中的强大工具，其部分成功源于使用大型数据集的泛化能力。然而，与其他领域不同，时间序列分类数据集通常较小。为解决此问题，我们提出一种称为引导扭曲（guided warping）的新颖时间序列数据增强方法。尽管许多数据增强方法基于随机变换，引导扭曲利用 Dynamic Time Warping (DTW) 与 shapeDTW（一种基于形状描述符的高层 DTW 方法）的元素对齐特性来确定性地扭曲样本模式。以此方式，通过将样本模式的特征扭曲以匹配参考模式的时间步，将时间序列混合。此外，我们引入一个判别型教师（discriminative teacher）作为引导扭曲的有向参考。我们在 2015 UCR 时间序列档案的全部 85 个数据集上，使用深度卷积神经网络（CNN）与循环神经网络（RNN）评估该方法。带有易用实现的代码可在 https://github.com/uchidalab/time_series_augmentation 找到。
引用
@article{arxiv.2004.08780,
title = {Time Series Data Augmentation for Neural Networks by Time Warping with a Discriminative Teacher},
author = {Brian Kenji Iwana and Seiichi Uchida},
journal= {arXiv preprint arXiv:2004.08780},
year = {2020}
}
备注
Submitted to ICPR 2020