論文の概要: Empirical Evaluation of Data Augmentations for Biobehavioral Time Series
Data with Deep Learning
- arxiv url: http://arxiv.org/abs/2210.06701v1
- Date: Thu, 13 Oct 2022 03:40:12 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-14 14:29:48.288495
- Title: Empirical Evaluation of Data Augmentations for Biobehavioral Time Series
Data with Deep Learning
- Title（参考訳）: 深層学習を用いた生物行動時系列データのデータ拡張に関する実証評価
- Authors: Huiyuan Yang, Han Yu, Akane Sano
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 16.84326709739788
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Deep learning has performed remarkably well on many tasks recently. However,
the superior performance of deep models relies heavily on the availability of a
large number of training data, which limits the wide adaptation of deep models
on various clinical and affective computing tasks, as the labeled data are
usually very limited. As an effective technique to increase the data
variability and thus train deep models with better generalization, data
augmentation (DA) is a critical step for the success of deep learning models on
biobehavioral time series data. However, the effectiveness of various DAs for
different datasets with different tasks and deep models is understudied for
biobehavioral time series data. In this paper, we first systematically review
eight basic DA methods for biobehavioral time series data, and evaluate the
effects on seven datasets with three backbones. Next, we explore adapting more
recent DA techniques (i.e., automatic augmentation, random augmentation) to
biobehavioral time series data by designing a new policy architecture
applicable to time series data. Last, we try to answer the question of why a DA
is effective (or not) by first summarizing two desired attributes for
augmentations (challenging and faithful), and then utilizing two metrics to
quantitatively measure the corresponding attributes, which can guide us in the
search for more effective DA for biobehavioral time series data by designing
more challenging but still faithful transformations. Our code and results are
available at Link.
- Abstract（参考訳）: ディープラーニングは最近、多くのタスクで驚くほどうまく機能しています。
しかし、深層モデルの優れた性能は、多くのトレーニングデータの可用性に大きく依存しており、ラベル付きデータは通常非常に制限されているため、さまざまな臨床および感情的な計算タスクに対する深層モデルの広範な適応を制限する。
データ分散性を向上し、より一般化した深層モデルを訓練する効果的な手法として、データ拡張(DA)は、生物行動時系列データにおける深層学習モデルの成功の重要なステップである。
しかし、異なるタスクと深層モデルを持つ異なるデータセットに対する様々なdaの有効性は、生物行動時系列データでは未検討である。
本稿では,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,その効果を3つのバックボーンを持つ7つのデータセットに対して評価する。
次に、時系列データに適用可能な新しいポリシーアーキテクチャを設計することにより、より最近のDA手法(自動拡張、ランダム拡張)を生物行動時系列データに適用することを検討する。
最後に、まず2つの望ましい属性を要約し(混同し、忠実に)、次に2つの指標を使って対応する属性を定量的に測定し、より難しいが忠実な変換を設計することで、生物行動時系列データに対してより効果的なDAを探索できるようにする。
コードと結果はLinkで公開しています。
関連論文リスト
- 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) - 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) - LESS: Selecting Influential Data for Targeted Instruction Tuning [64.78894228923619]
本稿では,データの影響を推定し,命令データ選択のための低ランクグレーディエント類似度探索を行うアルゴリズムであるLESSを提案する。
LESS選択したデータの5%のトレーニングは、さまざまなダウンストリームタスクにわたる完全なデータセットでのトレーニングよりも優れています。
我々の方法は、意図した下流アプリケーションに必要な推論スキルを識別するために、表面的なフォームキューを超えています。
論文 参考訳（メタデータ） (2024-02-06T19:18:04Z) - 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) - 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) - Learning from Temporal Spatial Cubism for Cross-Dataset Skeleton-based
Action Recognition [88.34182299496074]
アクションラベルはソースデータセットでのみ利用可能だが、トレーニング段階のターゲットデータセットでは利用できない。
我々は,2つの骨格に基づく行動データセット間の領域シフトを低減するために,自己スーパービジョン方式を利用する。
時間的セグメントや人体部分のセグメンテーションとパーフォーミングにより、我々は2つの自己教師あり学習分類タスクを設計する。
論文 参考訳（メタデータ） (2022-07-17T07:05:39Z) - Data Augmentation techniques in time series domain: A survey and
taxonomy [0.20971479389679332]
時系列を扱う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サイズと一貫性に大きく依存する。
この研究は、すべての利用可能なアルゴリズムの概要を提供するために、この分野の最先端を体系的にレビューする。
本研究の究極的な目的は、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を概説することである。
論文 参考訳（メタデータ） (2022-06-25T17:09:00Z) - Diverse Complexity Measures for Dataset Curation in Self-driving [80.55417232642124]
トラフィックシーンの面白さを定量化する多様な基準を活用した新たなデータ選択手法を提案する。
実験の結果,提案するキュレーションパイプラインは,より汎用的で高いパフォーマンスをもたらすデータセットを選択できることが判明した。
論文 参考訳（メタデータ） (2021-01-16T23:45:02Z) - 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。