論文の概要: Data Augmentation techniques in time series domain: A survey and taxonomy

• arxiv url: http://arxiv.org/abs/2206.13508v1
• Date: Sat, 25 Jun 2022 17:09:00 GMT
• ステータス: 処理完了
• システム内更新日: 2022-06-29 12:34:25.265219
• Title: Data Augmentation techniques in time series domain: A survey and taxonomy
• Title（参考訳）: 時系列領域におけるデータ拡張技術:調査と分類
• Authors: Edgar Talavera, Guillermo Iglesias, \'Angel Gonz\'alez-Prieto, Alberto Mozo and Sandra G\'omez-Canaval
• Abstract要約: 時系列を扱うために使用されるディープニューラルネットワークは、トレーニングで使用されるデータセットの幅と一貫性に大きく依存する。 この分野の現状を体系的にレビューし、全ての利用可能なアルゴリズムの概要を提供し、最も関連する研究の分類法を提案する。 この研究の最終的な目標は、この分野の将来の研究者を導くために、より良い結果をもたらす領域の進化と性能の要約を提供することである。
• 参考スコア（独自算出の注目度）: 0.7633618497843276
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: With the latest advances in deep learning generative models, it has not taken long to take advantage of their remarkable performance in the area of time series. Deep neural networks used to work with time series depend heavily on the breadth and consistency of the datasets used in training. These types of characteristic are not usually abundant in the real world, where they are usually limited and often with privacy constraints that must be guaranteed. Therefore, an effective way is to increase the number of data using \gls{da} techniques, either by adding noise or permutations and by generating new synthetic data. It is systematically review the current state-of-the-art in the area to provide an overview of all available algorithms and proposes a taxonomy of the most relevant researches. The efficiency of the different variants will be evaluated; as a vital part of the process, the different metrics to evaluate the performance and the main problems concerning each model will be analysed. The ultimate goal of this study is to provide a summary of the evolution and performance of areas that produce better results to guide future researchers in this field.
• Abstract（参考訳）: ディープラーニング生成モデルの最近の進歩により、時系列の分野での顕著なパフォーマンスを活用するのに、それほど時間がかからない。 時系列処理に使用されるディープニューラルネットワークは、トレーニングで使用されるデータセットの広さと一貫性に大きく依存する。 この種の特性は通常、現実世界では豊富ではなく、通常は制限され、保証されなければならないプライバシーの制約がある。 したがって、ノイズや置換を加えるか、新しい合成データを生成することにより、 \gls{da} 技術を用いてデータ数を増やすことができる。 この分野の現状を体系的にレビューし、全ての利用可能なアルゴリズムの概要を提供し、最も関連する研究の分類法を提案する。 プロセスの重要な部分として、パフォーマンスを評価するための異なるメトリクスと、各モデルに関する主要な問題を分析します。 この研究の最終的な目標は、この分野の将来の研究者を導くために、より良い結果を生み出す領域の進化と性能の概要を提供することである。

関連論文リスト

• State-Space Modeling in Long Sequence Processing: A Survey on Recurrence in the Transformer Era [59.279784235147254]
  このサーベイは、シーケンシャルなデータ処理の反復モデルに基づく最新のアプローチの詳細な概要を提供する。 新たなイメージは、標準のバックプロパゲーション・オブ・タイムから外れた学習アルゴリズムによって構成される、新しいルートを考える余地があることを示唆している。
  論文  参考訳（メタデータ） (2024-06-13T12:51:22Z)
• Data Augmentation for Multivariate Time Series Classification: An Experimental Study [1.5390962520179197]
  これらのデータセットのサイズは限られていますが、RocketとInceptionTimeモデルを使用して、13のデータセットのうち10の分類精度を向上しました。 これは、コンピュータビジョンで見られる進歩と並行して、効果的なモデルを訓練する上で、十分なデータの重要性を強調している。
  論文  参考訳（メタデータ） (2024-06-10T17:58:02Z)
• D3A-TS: Denoising-Driven Data Augmentation in Time Series [0.0]
  本研究は,分類と回帰問題に対する時系列におけるデータ拡張のための異なる手法の研究と分析に焦点をあてる。 提案手法は拡散確率モデルを用いており、近年画像処理の分野で成功している。 その結果、この手法が、分類と回帰モデルを訓練するための合成データを作成する上で、高い有用性を示している。
  論文  参考訳（メタデータ） (2023-12-09T11:37:07Z)
• Data Augmentations in Deep Weight Spaces [89.45272760013928]
  そこで本研究では,Mixup法に基づく新しい拡張手法を提案する。 既存のベンチマークと新しいベンチマークでこれらのテクニックのパフォーマンスを評価する。
  論文  参考訳（メタデータ） (2023-11-15T10:43:13Z)
• Large Models for Time Series and Spatio-Temporal Data: A Survey and Outlook [95.32949323258251]
  時系列データ、特に時系列データと時間時間データは、現実世界のアプリケーションで広く使われている。 大規模言語やその他の基礎モデルの最近の進歩は、時系列データマイニングや時間データマイニングでの使用の増加に拍車を掛けている。
  論文  参考訳（メタデータ） (2023-10-16T09:06:00Z)
• 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)
• MADS: Modulated Auto-Decoding SIREN for time series imputation [9.673093148930874]
  我々は,暗黙のニューラル表現に基づく時系列計算のための新しい自動デコードフレームワークMADSを提案する。 実世界の2つのデータセット上で本モデルを評価し,時系列計算における最先端手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2023-07-03T09:08:47Z)
• 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)
• Research Trends and Applications of Data Augmentation Algorithms [77.34726150561087]
  我々は,データ拡張アルゴリズムの適用分野,使用するアルゴリズムの種類,重要な研究動向,時間経過に伴う研究の進展,およびデータ拡張文学における研究ギャップを同定する。 我々は、読者がデータ拡張の可能性を理解し、将来の研究方向を特定し、データ拡張研究の中で質問を開くことを期待する。
  論文  参考訳（メタデータ） (2022-07-18T11:38:32Z)
• 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)
• 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。