論文の概要: SimPSI: A Simple Strategy to Preserve Spectral Information in Time Series Data Augmentation

• arxiv url: http://arxiv.org/abs/2312.05790v1
• Date: Sun, 10 Dec 2023 06:39:04 GMT
• ステータス: 処理完了
• システム内更新日: 2023-12-12 18:37:44.565237
• Title: SimPSI: A Simple Strategy to Preserve Spectral Information in Time Series Data Augmentation
• Title（参考訳）: SimPSI: 時系列データ拡張におけるスペクトル情報保存のための簡易戦略
• Authors: Hyun Ryu, Sunjae Yoon, Hee Suk Yoon, Eunseop Yoon, Chang D. Yoo
• Abstract要約: 本稿では,時系列データ拡張におけるスペクトル情報(SimPSI)の保存方法を提案する。 SimPSIは、保存マップで重み付けされた元の入力スペクトルと拡張入力スペクトルを混合することによりスペクトル情報を保存する。 我々は,SimPSIを様々な時系列データ拡張に適用し,その効果を広範囲の時系列ベンチマークで評価する。
• 参考スコア（独自算出の注目度）: 23.740727980584836
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Data augmentation is a crucial component in training neural networks to overcome the limitation imposed by data size, and several techniques have been studied for time series. Although these techniques are effective in certain tasks, they have yet to be generalized to time series benchmarks. We find that current data augmentation techniques ruin the core information contained within the frequency domain. To address this issue, we propose a simple strategy to preserve spectral information (SimPSI) in time series data augmentation. SimPSI preserves the spectral information by mixing the original and augmented input spectrum weighted by a preservation map, which indicates the importance score of each frequency. Specifically, our experimental contributions are to build three distinct preservation maps: magnitude spectrum, saliency map, and spectrum-preservative map. We apply SimPSI to various time series data augmentations and evaluate its effectiveness across a wide range of time series benchmarks. Our experimental results support that SimPSI considerably enhances the performance of time series data augmentations by preserving core spectral information. The source code used in the paper is available at https://github.com/Hyun-Ryu/simpsi.
• Abstract（参考訳）: データ拡張は、データサイズによる制限を克服するために、ニューラルネットワークをトレーニングする上で重要な要素であり、時系列のためにいくつかの技術が研究されている。 これらのテクニックは特定のタスクで有効であるが、時系列ベンチマークにはまだ一般化されていない。 現在のデータ拡張技術は、周波数領域に含まれるコア情報を台無しにする。 そこで本研究では,時系列データ拡張におけるスペクトル情報(SimPSI)の保存方法を提案する。 SimPSIは、各周波数の重要度を示す保存マップによって重み付けされた元の入力スペクトルと拡張入力スペクトルを混合することによりスペクトル情報を保存する。 特に、我々の実験的な貢献は、マグニチュードスペクトル、サリエンシーマップ、スペクトル保存マップの3つの異なる保存マップを構築することである。 我々は,SimPSIを様々な時系列データ拡張に適用し,その効果を広範囲の時系列ベンチマークで評価する。 実験結果から,SimPSIはコアスペクトル情報を保存することで時系列データ拡張の性能を大幅に向上することがわかった。 論文で使用されたソースコードはhttps://github.com/Hyun-Ryu/simpsi.comで公開されている。

関連論文リスト

• Frequency-Aware Deepfake Detection: Improving Generalizability through Frequency Space Learning [81.98675881423131]
  この研究は、目に見えないディープフェイク画像を効果的に識別できるユニバーサルディープフェイク検出器を開発するという課題に対処する。 既存の周波数ベースのパラダイムは、偽造検出のためにGANパイプラインのアップサンプリング中に導入された周波数レベルのアーティファクトに依存している。 本稿では、周波数領域学習を中心にしたFreqNetと呼ばれる新しい周波数認識手法を導入し、ディープフェイク検出器の一般化性を高めることを目的とする。
  論文  参考訳（メタデータ） (2024-03-12T01:28:00Z)
• SpectralGPT: Spectral Remote Sensing Foundation Model [60.023956954916414]
  SpectralGPTという名前のユニバーサルRS基盤モデルは、新しい3D生成事前学習変換器(GPT)を用いてスペクトルRS画像を処理するために構築されている。 既存の基礎モデルと比較して、SpectralGPTは、様々なサイズ、解像度、時系列、領域をプログレッシブトレーニング形式で対応し、広範なRSビッグデータのフル活用を可能にする。 我々の評価では、事前訓練されたスペクトルGPTモデルによる顕著な性能向上が強調され、地球科学分野におけるスペクトルRSビッグデータ応用の進展に有意な可能性を示唆している。
  論文  参考訳（メタデータ） (2023-11-13T07:09:30Z)
• Multivariate Time Series Classification: A Deep Learning Approach [1.0742675209112622]
  本稿では時系列分類領域に適用可能な様々な手法とニューラルネットワークアーキテクチャについて検討する。 データは、酸素や音などの量を測定し、追跡するガスセンサー群から得られる。 このデータにより、特定の環境における占有などの事象を検出することができる。
  論文  参考訳（メタデータ） (2023-07-05T12:50:48Z)
• Randomized Quantization: A Generic Augmentation for Data Agnostic Self-supervised Learning [89.00646449740606]
  自己監督型表現学習は、データの一部を保持し、残りの部分から予測するようにネットワークに指示するパラダイムに従っている。 データ拡張は、情報ギャップを作るためのコアにあります。 本稿では,精度の冗長性を利用した汎用データ拡張のためのチャネル次元について検討する。
  論文  参考訳（メタデータ） (2022-12-19T18:59:57Z)
• 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)
• Adaptive Frequency Learning in Two-branch Face Forgery Detection [66.91715092251258]
  本稿では、AFDと呼ばれる2分岐検出フレームワークにおいて、周波数情報を適応的に学習する手法を提案する。 我々は、固定周波数変換からネットワークを解放し、データおよびタスク依存の変換層でより良いパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2022-03-27T14:25:52Z)
• Time Series Analysis via Network Science: Concepts and Algorithms [62.997667081978825]
  本稿では,時系列をネットワークに変換する既存のマッピング手法について概観する。 我々は、主要な概念的アプローチを説明し、権威的な参照を提供し、統一された表記法と言語におけるそれらの利点と限界について洞察を与える。 ごく最近の研究だが、この研究領域には大きな可能性を秘めており、今後の研究の道を開くことを目的としている。
  論文  参考訳（メタデータ） (2021-10-11T13:33:18Z)
• Spectrum Attention Mechanism for Time Series Classification [1.1037585450795357]
  スペクトラム(SAM)に作用する注意メカニズムを提案する。 また,時間領域情報の欠落を回避するためのセグメント化SAM(SSAM)を提案する。 実験の結果,SSAMはより優れた特徴表現を生成でき,ネットワークの収束を高速化し,ロバスト性や分類精度を向上できることがわかった。
  論文  参考訳（メタデータ） (2021-01-25T21:14:05Z)
• 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。