論文の概要: Empirical Study of Mix-based Data Augmentation Methods in Physiological Time Series Data

• arxiv url: http://arxiv.org/abs/2309.09970v1
• Date: Mon, 18 Sep 2023 17:51:47 GMT
• ステータス: 処理完了
• システム内更新日: 2023-09-19 12:00:34.411060
• Title: Empirical Study of Mix-based Data Augmentation Methods in Physiological Time Series Data
• Title（参考訳）: 生理時系列データにおける混合データ拡張法の実証的研究
• Authors: Peikun Guo, Huiyuan Yang, Akane Sano
• Abstract要約: 6つの生理的データセット上で,ミックスアップ,カットミックス,多様体ミックスアップを含むミックスベース拡張を系統的に検討した。 以上の結果から,ミックスベースの3つの拡張が6つのデータセットのパフォーマンスを継続的に改善できることが示唆された。
• 参考スコア（独自算出の注目度）: 5.6321096218738305
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Data augmentation is a common practice to help generalization in the procedure of deep model training. In the context of physiological time series classification, previous research has primarily focused on label-invariant data augmentation methods. However, another class of augmentation techniques (\textit{i.e., Mixup}) that emerged in the computer vision field has yet to be fully explored in the time series domain. In this study, we systematically review the mix-based augmentations, including mixup, cutmix, and manifold mixup, on six physiological datasets, evaluating their performance across different sensory data and classification tasks. Our results demonstrate that the three mix-based augmentations can consistently improve the performance on the six datasets. More importantly, the improvement does not rely on expert knowledge or extensive parameter tuning. Lastly, we provide an overview of the unique properties of the mix-based augmentation methods and highlight the potential benefits of using the mix-based augmentation in physiological time series data.
• Abstract（参考訳）: データ拡張は、ディープモデルトレーニングの手順の一般化を支援する一般的なプラクティスである。 生理学的時系列分類の文脈において、以前の研究は主にラベル不変データ拡張法に焦点を当ててきた。 しかし、コンピュータビジョン分野に出現した別の拡張技法(\textit{i,e, mixup})は、時系列領域ではまだ十分に研究されていない。 本研究では,6つの生理学的データセットについて,ミックスアップ,カットミックス,マニホールドミックスアップなどのミックスベース拡張を体系的に検討し,異なる感覚データと分類タスクにおける性能評価を行った。 以上の結果から,ミックスベースの3つの拡張が6つのデータセットのパフォーマンスを継続的に改善できることが示唆された。 さらに重要なことに、改善は専門家の知識や広範なパラメータチューニングに依存しない。 最後に,ミックスベース強化法の特徴を概観するとともに,ミックスベース強化法を生理時系列データで用いることの利点を強調する。

関連論文リスト

• A Survey on Mixup Augmentations and Beyond [59.578288906956736]
  選択したサンプルと対応するラベルを凸的に組み合わせた混合および関連データ混合手法が広く採用されている。 本調査では, 基礎混合法とその応用について概観する。
  論文  参考訳（メタデータ） (2024-09-08T19:32:22Z)
• Guidelines for Augmentation Selection in Contrastive Learning for Time Series Classification [7.712601563682029]
  我々は、トレンドや季節といったデータセットの特徴に基づいて、拡張を選択するための原則的な枠組みを確立する。 次に、12の合成データセットと6つの実世界のデータセットにまたがる8つの異なる拡張の有効性を評価する。 提案手法は,時系列データセットの有効拡張を正確に識別する。
  論文  参考訳（メタデータ） (2024-07-12T15:13:16Z)
• Finding Order in Chaos: A Novel Data Augmentation Method for Time Series in Contrastive Learning [26.053496478247236]
  準周期的時系列タスクのための新しいデータ拡張手法を提案する。 提案手法は,新しい手法を取り入れた,よく知られた混合手法に基づいている。 本稿では,心拍数推定,人的活動認識,心血管疾患検出の3つの課題について検討した。
  論文  参考訳（メタデータ） (2023-09-23T17:42:13Z)
• The effect of data augmentation and 3D-CNN depth on Alzheimer's Disease detection [51.697248252191265]
  この研究は、データハンドリング、実験設計、モデル評価に関するベストプラクティスを要約し、厳密に観察する。 我々は、アルツハイマー病(AD)の検出に焦点を当て、医療における課題のパラダイム的な例として機能する。 このフレームワークでは,3つの異なるデータ拡張戦略と5つの異なる3D CNNアーキテクチャを考慮し,予測15モデルを訓練する。
  論文  参考訳（メタデータ） (2023-09-13T10:40:41Z)
• Towards Diverse and Coherent Augmentation for Time-Series Forecasting [22.213927377926804]
  時系列データの増大は、ディープラーニングモデルのトレーニングデータ不足の問題を緩和する。 我々は、より多種多様なコヒーレントなサンプルを生成するために、スペクトルと時間拡張を組み合わせることを提案する。 5つの実世界の時系列データセットの実験では、STAugがデータ拡張なしでベースモデルより優れていることが示されている。
  論文  参考訳（メタデータ） (2023-03-24T19:40:34Z)
• 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)
• MixupE: Understanding and Improving Mixup from Directional Derivative Perspective [86.06981860668424]
  理論上は、バニラ・ミックスアップよりも優れた一般化性能を実現するために、Mixupの改良版を提案する。 提案手法は,様々なアーキテクチャを用いて,複数のデータセットにまたがるMixupを改善した。
  論文  参考訳（メタデータ） (2022-12-27T07:03:52Z)
• DoubleMix: Simple Interpolation-Based Data Augmentation for Text Classification [56.817386699291305]
  本稿では,DoubleMixと呼ばれる単純なデータ拡張手法を提案する。 DoubleMixはまず、トレーニングデータごとにいくつかの摂動サンプルを生成する。 次に、摂動データと元のデータを使って、隠れたニューラルネットワークの空間で2段階のステップを実行する。
  論文  参考訳（メタデータ） (2022-09-12T15:01:04Z)
• 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)
• MixAugment & Mixup: Augmentation Methods for Facial Expression Recognition [4.273075747204267]
  我々はMixAugmentと呼ばれるMixupに基づく新しいデータ拡張戦略を提案する。 本研究は、MixAugment over Mixupおよび様々な最先端手法の有効性を実証する広範囲な実験的研究を行う。
  論文  参考訳（メタデータ） (2022-05-09T17:43:08Z)
• Automatic Data Augmentation via Deep Reinforcement Learning for Effective Kidney Tumor Segmentation [57.78765460295249]
  医用画像セグメンテーションのための新しい学習ベースデータ拡張法を開発した。 本手法では,データ拡張モジュールと後続のセグメンテーションモジュールをエンドツーエンドのトレーニング方法で一貫した損失と,革新的に組み合わせる。 提案法の有効性を検証したCT腎腫瘍分節法について,本法を広範囲に評価した。
  論文  参考訳（メタデータ） (2020-02-22T14:10:13Z)

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。