論文の概要: Time Series Data Augmentation for Deep Learning: A Survey
- arxiv url: http://arxiv.org/abs/2002.12478v4
- Date: Thu, 31 Mar 2022 18:22:00 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-28 08:13:02.874748
- Title: Time Series Data Augmentation for Deep Learning: A Survey
- Title（参考訳）: ディープラーニングのための時系列データ拡張:調査
- Authors: Qingsong Wen, Liang Sun, Fan Yang, Xiaomin Song, Jingkun Gao, Xue
Wang, Huan Xu
- Abstract要約: 時系列データに対する様々なデータ拡張手法を体系的に検討する。
時系列分類や異常検出,予測など,さまざまなタスクに対するデータ拡張手法を実証的に比較した。
- 参考スコア（独自算出の注目度）: 35.2161833151567
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Deep learning performs remarkably well on many time series analysis tasks
recently. The superior performance of deep neural networks relies heavily on a
large number of training data to avoid overfitting. However, the labeled data
of many real-world time series applications may be limited such as
classification in medical time series and anomaly detection in AIOps. As an
effective way to enhance the size and quality of the training data, data
augmentation is crucial to the successful application of deep learning models
on time series data. In this paper, we systematically review different data
augmentation methods for time series. We propose a taxonomy for the reviewed
methods, and then provide a structured review for these methods by highlighting
their strengths and limitations. We also empirically compare different data
augmentation methods for different tasks including time series classification,
anomaly detection, and forecasting. Finally, we discuss and highlight five
future directions to provide useful research guidance.
- Abstract（参考訳）: ディープラーニングは、最近多くの時系列分析タスクで非常にうまく機能します。
ディープニューラルネットワークの優れたパフォーマンスは、オーバーフィットを避けるために多くのトレーニングデータに大きく依存している。
しかし、多くの現実世界の時系列アプリケーションのラベル付きデータは、医療時系列の分類やaiopsの異常検出などの制限を受ける可能性がある。
トレーニングデータのサイズと品質を高める効果的な方法として,時系列データへのディープラーニングモデルの適用が成功するためには,データ拡張が不可欠である。
本稿では,時系列の異なるデータ拡張手法を体系的に検討する。
本稿では,本手法の分類法を提案し,その強度と限界を明らかにすることによって,これらの手法の構造化されたレビューを行う。
また,時系列分類,異常検出,予測など,さまざまなタスクに対するデータ拡張手法を実証的に比較した。
最後に,有用な研究指針を提供するための5つの今後の方向性について論じる。
関連論文リスト
- Granularity Matters in Long-Tail Learning [62.30734737735273]
より粒度の細かいデータセットは、データの不均衡の影響を受けにくい傾向があります。
既存のクラスと視覚的に類似したオープンセット補助クラスを導入し、頭と尾の両方の表現学習を強化することを目的とした。
補助授業の圧倒的な存在がトレーニングを混乱させるのを防ぐために,近隣のサイレンシング障害を導入する。
論文 参考訳（メタデータ） (2024-10-21T13:06:21Z) - Deep Time Series Models: A Comprehensive Survey and Benchmark [74.28364194333447]
時系列データは、現実世界のシナリオにおいて非常に重要である。
近年、時系列コミュニティで顕著なブレークスルーが見られた。
多様な分析タスクのためのディープ時系列モデルの公正なベンチマークとして、時系列ライブラリ(TSLib)をリリースします。
論文 参考訳（メタデータ） (2024-07-18T08:31:55Z) - Deep Learning for Multivariate Time Series Imputation: A Survey [36.72913706617057]
本稿では,最近提案されたディープラーニング計算手法に関する総合的な調査を行う。
本稿では,本手法の分類法を提案し,その強度と限界を明らかにすることによって,これらの手法の構造化されたレビューを行う。
また、異なる手法の研究や下流タスクの強化を比較するための実証実験も行います。
論文 参考訳（メタデータ） (2024-02-06T15:03:53Z) - Pushing the Limits of Pre-training for Time Series Forecasting in the
CloudOps Domain [54.67888148566323]
クラウドオペレーションドメインから,大規模時系列予測データセットを3つ導入する。
強力なゼロショットベースラインであり、モデルとデータセットサイズの両方において、さらなるスケーリングの恩恵を受けています。
これらのデータセットと結果を取得することは、古典的および深層学習のベースラインを事前訓練された方法と比較した総合的なベンチマーク結果の集合である。
論文 参考訳（メタデータ） (2023-10-08T08:09:51Z) - Time Series Contrastive Learning with Information-Aware Augmentations [57.45139904366001]
コントラスト学習の鍵となる要素は、いくつかの先行を示唆する適切な拡張を選択して、実現可能な正のサンプルを構築することである。
対照的な学習タスクやデータセットに意味のある時系列データの増大をどうやって見つけるかは、未解決の問題である。
本稿では,時系列表現学習のための最適な拡張を適応的に選択する情報認識拡張を用いた新しいコントラスト学習手法であるInfoTSを提案する。
論文 参考訳（メタデータ） (2023-03-21T15:02:50Z) - Deep networks for system identification: a Survey [56.34005280792013]
システム識別は、入力出力データから動的システムの数学的記述を学習する。
同定されたモデルの主な目的は、以前の観測から新しいデータを予測することである。
我々は、フィードフォワード、畳み込み、リカレントネットワークなどの文献で一般的に採用されているアーキテクチャについて論じる。
論文 参考訳（メタデータ） (2023-01-30T12:38:31Z) - Empirical Evaluation of Data Augmentations for Biobehavioral Time Series
Data with Deep Learning [16.84326709739788]
データ拡張(DA)は、生物行動時系列データに基づくディープラーニングモデルの成功のための重要なステップである。
まず, 生物行動時系列データに対する8つの基本的なDA手法を体系的に検討し, 3つのバックボーンを持つ7つのデータセットへの影響を評価する。
次に、より最近のDA手法を、新しいポリシーアーキテクチャを設計して、生物行動時系列データに適用することを検討する。
論文 参考訳（メタデータ） (2022-10-13T03:40:12Z) - Learning summary features of time series for likelihood free inference [93.08098361687722]
時系列データから要約機能を自動的に学習するためのデータ駆動型戦略を提案する。
以上の結果から,データから要約的特徴を学習することで,手作りの値に基づいてLFI手法よりも優れる可能性が示唆された。
論文 参考訳（メタデータ） (2020-12-04T19:21:37Z) - Time Series Data Imputation: A Survey on Deep Learning Approaches [4.4458738910060775]
時系列データ計算は、様々なカテゴリのメソッドでよく研究されている問題である。
ディープラーニングに基づく時系列手法は、RNNのようなモデルの使用によって進歩している。
我々は,それらのモデルアーキテクチャ,その長所,短所,短所,および時系列計算手法の開発を示す効果をレビューし,議論する。
論文 参考訳（メタデータ） (2020-11-23T11:57:27Z) - Deep learning for time series classification [2.0305676256390934]
時系列分析により、時間の経過とともにプロセスの進化を可視化し、理解することができます。
時系列分類は時系列データを自動的にラベル付けするアルゴリズムで構成されている。
ディープラーニングは、教師付き分類タスクに対処する最も効果的な方法の1つとして登場した。
論文 参考訳（メタデータ） (2020-10-01T17:38:40Z) - An Empirical Survey of Data Augmentation for Time Series Classification
with Neural Networks [17.20906062729132]
時系列データの拡張手法とそのニューラルネットワークを用いた時系列分類への応用について検討する。
分類法を提案し,時系列データ拡張における4つのファミリについて概説する。
6種類のニューラルネットワークを用いた128の時系列分類データセットに対して,12の時系列データ拡張手法を実験的に評価した。
論文 参考訳（メタデータ） (2020-07-31T10:33:54Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。