論文の概要: IBMA: An Imputation-Based Mixup Augmentation Using Self-Supervised Learning for Time Series Data

• arxiv url: http://arxiv.org/abs/2511.07930v1
• Date: Wed, 12 Nov 2025 01:29:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-12 20:17:03.551748
• Title: IBMA: An Imputation-Based Mixup Augmentation Using Self-Supervised Learning for Time Series Data
• Title（参考訳）: IBMA: 時系列データのための自己教師付き学習を用いた命令ベースのミックスアップ拡張
• Authors: Dang Nha Nguyen, Hai Dang Nguyen, Khoa Tho Anh Nguyen,
• Abstract要約: 時系列データは、画像やテキストなどのフィールドに比べて拡張戦略が小さい。 本稿では,Imputation-based Mixup Augmentation (IBMA) とMixup Augmentationを組み合わせた新しい手法を提案する。
• 参考スコア（独自算出の注目度）: 1.3451233013652077
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Data augmentation in time series forecasting plays a crucial role in enhancing model performance by introducing variability while maintaining the underlying temporal patterns. However, time series data offers fewer augmentation strategies compared to fields such as image or text, with advanced techniques like Mixup rarely being used. In this work, we propose a novel approach, Imputation-Based Mixup Augmentation (IBMA), which combines Imputation-Augmented data with Mixup augmentation to bolster model generalization and improve forecasting performance. We evaluate the effectiveness of this method across several forecasting models, including DLinear (MLP), TimesNet (CNN), and iTrainformer (Transformer), these models represent some of the most recent advances in time series forecasting. Our experiments, conducted on four datasets (ETTh1, ETTh2, ETTm1, ETTm2) and compared against eight other augmentation techniques, demonstrate that IBMA consistently enhances performance, achieving 22 improvements out of 24 instances, with 10 of those being the best performances, particularly with iTrainformer imputation.
• Abstract（参考訳）: 時系列予測におけるデータ拡張は、基礎となる時間的パターンを維持しながら変動性を導入することによってモデル性能を向上させる上で重要な役割を担います。 しかし、時系列データは画像やテキストなどのフィールドに比べて拡張戦略が少ないため、Mixupのような高度な技術はめったに使われない。 本研究では,Imputation-based Mixup Augmentation (IBMA) とMixup Augmentationを組み合わせた新しい手法を提案する。 DLinear(MLP)、TimesNet(CNN)、iTrainformer(Transformer)など、複数の予測モデルでこの手法の有効性を評価する。 実験は4つのデータセット(ETTh1, ETTh2, ETTm1, ETTm2)で実施し, 他の8つの拡張手法と比較し, IBMAは連続的に性能を向上し,24インスタンス中22の改善を実現した。

関連論文リスト

• A Time-Series Data Augmentation Model through Diffusion and Transformer Integration [0.6437284704257459]
  ディープニューラルネットワークは通常、トレーニングのために大量のデータを必要とする。 本稿では,Diffusion モデルと Transformer モデルを組み合わせた簡易かつ効率的な手法を提案する。 ベンチマークとして拡張データを適用したモデルの性能向上を利用して,高品質な拡張データを生成する能力を示す。
  論文  参考訳（メタデータ） (2025-05-01T09:40:45Z)
• Tackling Data Heterogeneity in Federated Time Series Forecasting [61.021413959988216]
  時系列予測は、エネルギー消費予測、病気の伝染モニタリング、天気予報など、様々な実世界の応用において重要な役割を果たす。 既存のほとんどのメソッドは、分散デバイスから中央クラウドサーバに大量のデータを収集する、集中的なトレーニングパラダイムに依存しています。 本稿では,情報合成データを補助的知識キャリアとして生成することにより,データの均一性に対処する新しいフレームワークであるFed-TRENDを提案する。
  論文  参考訳（メタデータ） (2024-11-24T04:56:45Z)
• MITA: Bridging the Gap between Model and Data for Test-time Adaptation [68.62509948690698]
  テスト時間適応(TTA)は、モデルの一般化性を高めるための有望なパラダイムとして登場した。 本稿では,Met-In-The-MiddleをベースとしたMITAを提案する。
  論文  参考訳（メタデータ） (2024-10-12T07:02:33Z)
• ReAugment: Model Zoo-Guided RL for Few-Shot Time Series Augmentation and Forecasting [74.00765474305288]
  本稿では,時系列データ拡張のための強化学習(RL)の試験的検討を行う。 我々の手法であるReAugmentは、トレーニングセットのどの部分が拡張されるべきか、どのように拡張を行うべきか、RLがプロセスにどのような利点をもたらすのか、という3つの重要な問題に取り組む。
  論文  参考訳（メタデータ） (2024-09-10T07:34:19Z)
• Recency-Weighted Temporally-Segmented Ensemble for Time-Series Modeling [0.0]
  プロセス産業における時系列モデリングは、複雑で多面的で進化するデータ特性を扱うという課題に直面している。 マルチステップ予測のための新しいチャンクベースアプローチであるRecency-Weighted Temporally-Segmented(ReWTS)アンサンブルモデルを導入する。 ノルウェーの排水処理場と飲料水処理場からの2年間のデータをもとに,比較分析を行った。
  論文  参考訳（メタデータ） (2024-03-04T16:00:35Z)
• Data Augmentation for Traffic Classification [54.92823760790628]
  Data Augmentation (DA) はコンピュータビジョン(CV)と自然言語処理(NLP)に広く採用されている技術である。 DAはネットワークのコンテキスト、特にトラフィック分類(TC)タスクにおいて、牽引力を得るのに苦労しています。
  論文  参考訳（メタデータ） (2024-01-19T15:25:09Z)
• TACTiS-2: Better, Faster, Simpler Attentional Copulas for Multivariate Time Series [57.4208255711412]
  パウラ理論に基づいて,最近導入されたトランスフォーマーに基づく注目パウラ(TACTiS)の簡易な目的を提案する。 結果から,実世界の予測タスクにまたがって,このモデルのトレーニング性能が大幅に向上し,最先端のパフォーマンスが達成できることが示唆された。
  論文  参考訳（メタデータ） (2023-10-02T16:45:19Z)
• Financial Time Series Data Augmentation with Generative Adversarial Networks and Extended Intertemporal Return Plots [2.365537081046599]
  データ拡張作業に最先端の画像ベース生成モデルを適用した。 時系列の新しい画像表現である拡張時空間回帰プロット(XIRP)を導入する。 提案手法は,金融データセットの79%に対して,リターン予測誤差を7%削減できることを示す。
  論文  参考訳（メタデータ） (2022-05-18T13:39:27Z)
• Back2Future: Leveraging Backfill Dynamics for Improving Real-time Predictions in Future [73.03458424369657]
  公衆衛生におけるリアルタイム予測では、データ収集は簡単で要求の多いタスクである。 過去の文献では「バックフィル」現象とそのモデル性能への影響についてはほとんど研究されていない。 我々は、与えられたモデルの予測をリアルタイムで洗練することを目的とした、新しい問題とニューラルネットワークフレームワークBack2Futureを定式化する。
  論文  参考訳（メタデータ） (2021-06-08T14:48:20Z)
• Improving the Accuracy of Global Forecasting Models using Time Series Data Augmentation [7.38079566297881]
  GFM(Global Forecasting Models)として知られる多くの時系列のセットでトレーニングされた予測モデルは、競争や実世界のアプリケーションを予測する上で有望な結果を示している。 本稿では,GFMモデルのベースライン精度を向上させるための,データ拡張に基づく新しい予測フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-08-06T13:52:20Z)

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。