論文の概要: TADA: Temporal Adversarial Data Augmentation for Time Series Data
- arxiv url: http://arxiv.org/abs/2407.15174v2
- Date: Tue, 15 Oct 2024 09:54:22 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-10-16 13:58:55.725140
- Title: TADA: Temporal Adversarial Data Augmentation for Time Series Data
- Title(参考訳): TADA:時系列データに対する時間的逆データ拡張
- Authors: Byeong Tak Lee, Joon-myoung Kwon, Yong-Yeon Jo,
- Abstract要約: Adversarial Data Augmentation (ADA) はドメインの一般化において広く使われている手法である。
時間のワープは本質的に微分不可能であるが、ADAはバックプロパゲーションによるサンプルの生成に依存している。
本稿では,時系列データに対する時間逆データ拡張(TADA)を提案する。
- 参考スコア(独自算出の注目度): 1.686373523281992
- License:
- Abstract: Domain generalization aim to train models to effectively perform on samples that are unseen and outside of the distribution. Adversarial data augmentation (ADA) is a widely used technique in domain generalization. It enhances the model robustness by including synthetic samples designed to simulate potential unseen scenarios into the training datasets, which is then used to train the model. However, in time series data, traditional ADA approaches often fail to address distribution shifts related to temporal characteristics. To address this limitation, we propose Temporal Adversarial Data Augmentation (TADA) for time series data, which incorporate time warping into ADA. Although time warping is inherently non-differentiable, ADA relies on generating samples through backpropagation. We resolve this issue by leveraging the duality between phase shifts in the frequency domain and time shifts in the time domain, thereby making the process differentiable. Our evaluations across various time series datasets demonstrate that TADA outperforms existing methods for domain generalization. In addition, using distribution visualization, we confirmed that the distribution shifts induced by TADA are clearly different from those induced by ADA, and together, they effectively simulate real-world distribution shifts.
- Abstract(参考訳): ドメインの一般化は、分布の見当たらないサンプルと外部のサンプルを効果的に実行するモデルを訓練することを目的としている。
Adversarial Data Augmentation (ADA) はドメインの一般化において広く使われている手法である。
これは、潜在的に見えないシナリオをトレーニングデータセットにシミュレートするために設計された合成サンプルを含めることで、モデルの堅牢性を高める。
しかし、時系列データでは、従来のADAアプローチは時間的特性に関連する分布シフトに対処できないことが多い。
この制限に対処するため,時系列データに対するTADA(Temporal Adversarial Data Augmentation)を提案する。
時間のワープは本質的に微分不可能であるが、ADAはバックプロパゲーションによるサンプルの生成に依存している。
我々は、周波数領域における位相シフトと時間領域における時間シフトの双対性を利用してこの問題を解決する。
各種時系列データセットを用いて評価した結果,TADは既存の領域一般化手法よりも優れていることがわかった。
さらに,分布可視化を用いて,TADによる分布変化とADAによる分布変化とが明らかに異なることを確認し,実世界の分布変化を効果的にシミュレートした。
関連論文リスト
- Robust Multivariate Time Series Forecasting against Intra- and Inter-Series Transitional Shift [40.734564394464556]
本稿では,時系列内/時系列間の相関関係を統合的に把握し,時変遷移分布をモデル化するための統一確率グラフモデルを提案する。
6つの高定常MTSデータセットに対する広範囲な実験により、JointPGMの有効性と効率を検証した。
論文 参考訳(メタデータ) (2024-07-18T06:16:03Z) - tPARAFAC2: Tracking evolving patterns in (incomplete) temporal data [0.7285444492473742]
進化因子の時間的スムーズ性正規化を利用した t(emporal)PARAFAC2 を導入する。
シミュレーションおよび実データを用いた数値実験により,時間的滑らか度正則化の有効性が示された。
論文 参考訳(メタデータ) (2024-07-01T15:10:55Z) - DeformTime: Capturing Variable Dependencies with Deformable Attention for Time Series Forecasting [0.34530027457862006]
入力空間から相関時間パターンを捕捉しようとするニューラルネットワークアーキテクチャであるDeformTimeを提案する。
これまでに確立されたベンチマークを用いて,6つのMTSデータセットに関する広範な実験を行った。
その結果,DeformTimeはMSS予測タスクの大部分にわたる従来の競合手法と比較して精度が向上することがわかった。
論文 参考訳(メタデータ) (2024-06-11T16:45:48Z) - PeFAD: A Parameter-Efficient Federated Framework for Time Series Anomaly Detection [51.20479454379662]
私たちはaを提案します。
フェデレートされた異常検出フレームワークであるPeFADは、プライバシーの懸念が高まっている。
我々は、4つの実際のデータセットに対して広範な評価を行い、PeFADは既存の最先端ベースラインを最大28.74%上回っている。
論文 参考訳(メタデータ) (2024-06-04T13:51:08Z) - Unified Training of Universal Time Series Forecasting Transformers [104.56318980466742]
マスク型ユニバーサル時系列予測変換器(モイライ)について述べる。
Moiraiは、新たに導入された大規模オープンタイムシリーズアーカイブ(LOTSA)で訓練されており、9つのドメインで27億以上の観測が行われた。
Moiraiは、フルショットモデルと比較してゼロショットの予測器として、競争力や優れたパフォーマンスを達成する。
論文 参考訳(メタデータ) (2024-02-04T20:00:45Z) - Data Attribution for Diffusion Models: Timestep-induced Bias in
Influence Estimation [58.20016784231991]
拡散モデルは、以前の文脈における瞬間的な入出力関係ではなく、一連のタイムステップで操作する。
本稿では、この時間的ダイナミクスを取り入れた拡散トラクInについて、サンプルの損失勾配ノルムが時間ステップに大きく依存していることを確認する。
そこで我々はDiffusion-ReTracを再正規化適応として導入し、興味のあるサンプルを対象にしたトレーニングサンプルの検索を可能にする。
論文 参考訳(メタデータ) (2024-01-17T07:58:18Z) - UniTime: A Language-Empowered Unified Model for Cross-Domain Time Series
Forecasting [59.11817101030137]
この研究はドメイン境界を超越する統一モデルパラダイムを提唱する。
効果的なクロスドメインモデルを学ぶことは、以下の課題を提示します。
効果的なドメイン間時系列学習のためのUniTimeを提案する。
論文 参考訳(メタデータ) (2023-10-15T06:30:22Z) - 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) - Generative Time Series Forecasting with Diffusion, Denoise, and
Disentanglement [51.55157852647306]
時系列予測は多くのアプリケーションにおいて非常に重要な課題である。
実世界の時系列データが短時間に記録されることが一般的であり、これはディープモデルと限られたノイズのある時系列との間に大きなギャップをもたらす。
本稿では,生成モデルを用いた時系列予測問題に対処し,拡散,雑音,ゆがみを備えた双方向変分自動エンコーダを提案する。
論文 参考訳(メタデータ) (2023-01-08T12:20:46Z) - TimeVAE: A Variational Auto-Encoder for Multivariate Time Series
Generation [6.824692201913679]
可変オートエンコーダ(VAE)を用いて時系列データを合成生成する新しいアーキテクチャを提案する。
提案されたアーキテクチャには、解釈可能性、ドメイン知識をエンコードする能力、トレーニング時間の短縮など、いくつかの異なる特性がある。
論文 参考訳(メタデータ) (2021-11-15T21:42:14Z) - Learning summary features of time series for likelihood free inference [93.08098361687722]
時系列データから要約機能を自動的に学習するためのデータ駆動型戦略を提案する。
以上の結果から,データから要約的特徴を学習することで,手作りの値に基づいてLFI手法よりも優れる可能性が示唆された。
論文 参考訳(メタデータ) (2020-12-04T19:21:37Z)
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。