Fugu-MT 論文翻訳(概要): An Empirical Survey of Data Augmentation for Time Series Classification with Neural Networks

論文の概要: An Empirical Survey of Data Augmentation for Time Series Classification with Neural Networks

arxiv url: http://arxiv.org/abs/2007.15951v4
Date: Fri, 2 Jul 2021 09:15:08 GMT
ステータス: 処理完了
システム内更新日: 2022-11-04 05:52:56.817934
Title: An Empirical Survey of Data Augmentation for Time Series Classification with Neural Networks
Title（参考訳）: ニューラルネットワークを用いた時系列分類のためのデータ拡張に関する実証的研究
Authors: Brian Kenji Iwana, Seiichi Uchida
Abstract要約: 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。
参考スコア（独自算出の注目度）: 17.20906062729132
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: In recent times, deep artificial neural networks have achieved many successes in pattern recognition. Part of this success can be attributed to the reliance on big data to increase generalization. However, in the field of time series recognition, many datasets are often very small. One method of addressing this problem is through the use of data augmentation. In this paper, we survey data augmentation techniques for time series and their application to time series classification with neural networks. We propose a taxonomy and outline the four families in time series data augmentation, including transformation-based methods, pattern mixing, generative models, and decomposition methods. Furthermore, we empirically evaluate 12 time series data augmentation methods on 128 time series classification datasets with six different types of neural networks. Through the results, we are able to analyze the characteristics, advantages and disadvantages, and recommendations of each data augmentation method. This survey aims to help in the selection of time series data augmentation for neural network applications.
Abstract（参考訳）: 近年、深層ニューラルネットワークはパターン認識において多くの成功を収めている。この成功の一部は、一般化を促進するためにビッグデータに依存しているためである。しかし、時系列認識の分野では、多くのデータセットは非常に小さい。この問題に対処する1つの方法は、データ拡張の利用である。本稿では,時系列データ拡張手法と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。本稿では,時系列データ拡張において,変換に基づく手法,パターン混合法,生成モデル,分解法を含む4つのファミリーを分類・概説する。さらに,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おいて,12の時系列データ拡張手法を実証的に評価した。その結果,各データ拡張手法の特徴,長所,短所,レコメンデーションを解析できた。この調査は、ニューラルネットワークアプリケーションのための時系列データ拡張の選択を支援することを目的としている。

関連論文リスト

A Survey on Graph Neural Networks for Time Series: Forecasting, Classification, Imputation, and Anomaly Detection [98.41798478488101]
時系列分析は、利用可能なデータに暗黙的な情報の富を解放するために不可欠である。グラフニューラルネットワーク(GNN)の最近の進歩は、時系列解析のためのGNNベースのアプローチの急増につながっている。この調査は、GNNベースの時系列研究に関する膨大な知識をまとめ、基礎、実践的応用、時系列分析のためのグラフニューラルネットワークの機会を強調します。
論文参考訳（メタデータ） (2023-07-07T08:05:03Z)
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)
HyperTime: Implicit Neural Representation for Time Series [131.57172578210256]
暗黙の神経表現(INR)は、データの正確で解像度に依存しないエンコーディングを提供する強力なツールとして最近登場した。本稿では、INRを用いて時系列の表現を分析し、再構成精度とトレーニング収束速度の点で異なるアクティベーション関数を比較した。本稿では,INRを利用して時系列データセット全体の圧縮潜在表現を学習するハイパーネットワークアーキテクチャを提案する。
論文参考訳（メタデータ） (2022-08-11T14:05:51Z)
Robust Augmentation for Multivariate Time Series Classification [20.38907456958682]
カットアウト,カットミックス,ミックスアップ,ウィンドウワープの簡単な方法により,堅牢性と全体的な性能が向上することを示す。 InceptionTimeネットワークは18種類のデータセットで精度を1%から45%向上することを示す。
論文参考訳（メタデータ） (2022-01-27T18:57:49Z)
Convolutional generative adversarial imputation networks for spatio-temporal missing data in storm surge simulations [86.5302150777089]
GAN(Generative Adversarial Imputation Nets)とGANベースの技術は、教師なし機械学習手法として注目されている。提案手法を Con Conval Generative Adversarial Imputation Nets (Conv-GAIN) と呼ぶ。
論文参考訳（メタデータ） (2021-11-03T03:50:48Z)
Novel Features for Time Series Analysis: A Complex Networks Approach [62.997667081978825]
時系列データは、気候、経済、医療などいくつかの領域で広く使われている。最近の概念的アプローチは、複雑なネットワークへの時系列マッピングに依存している。ネットワーク分析は、異なるタイプの時系列を特徴付けるのに使うことができる。
論文参考訳（メタデータ） (2021-10-11T13:46:28Z)
Improving Neural Networks for Time Series Forecasting using Data Augmentation and AutoML [0.0]
本稿では,ニューラルネットワークの性能を大幅に向上させるデータ拡張手法を提案する。これは、Neural Architecture Searchのような自動機械学習技術を組み合わせることで、与えられた時系列に最適なニューラルネットワークを見つけるのに役立つことを示している。
論文参考訳（メタデータ） (2021-03-02T19:20:49Z)
DTW-Merge: A Novel Data Augmentation Technique for Time Series Classification [6.091096843566857]
本稿では,動的時間ワーピングに基づく時系列の新たなデータ拡張手法を提案する。提案されたアプローチを最近紹介したResNetは、2018年のUCR時系列分類アーカイブで結果の改善を明らかにしている。
論文参考訳（メタデータ） (2021-03-01T16:40:47Z)
Deep Cellular Recurrent Network for Efficient Analysis of Time-Series Data with Spatial Information [52.635997570873194]
本研究では,空間情報を用いた複雑な多次元時系列データを処理するための新しいディープセルリカレントニューラルネットワーク(DCRNN)アーキテクチャを提案する。提案するアーキテクチャは,文献に比較して,学習可能なパラメータをかなり少なくしつつ,最先端の性能を実現している。
論文参考訳（メタデータ） (2021-01-12T20:08:18Z)
Time Series Data Augmentation for Neural Networks by Time Warping with a Discriminative Teacher [17.20906062729132]
本稿では,ガイド付きワープと呼ばれる新しい時系列データ拡張を提案する。ガイド付きワープは動的時間ワープ(DTW)と形状DTWの要素アライメント特性を利用する。我々は、深部畳み込みニューラルネットワーク(CNN)とリカレントニューラルネットワーク(RNN)を用いて、2015 UCR Time Series Archiveにある85のデータセットすべてに対する手法の評価を行った。
論文参考訳（メタデータ） (2020-04-19T06:33:44Z)
Time Series Data Augmentation for Deep Learning: A Survey [35.2161833151567]
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。
論文参考訳（メタデータ） (2020-02-27T23:38:11Z)

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。