An empirical survey of data augmentation for time series classification with neural networks.
An empirical survey of data augmentation for time series classification with neural networks.
复制标题
DOI：
10.1371/journal.pone.0254841
复制
发表时间：
2021
期刊：
影响因子：
3.7
通讯作者：
Uchida S
中科院分区：
文献类型：
--
作者：
Iwana BK;Uchida S
近年来，深度人工神经网络在模式识别方面取得了许多成功。这一成功的部分原因可以归因于对大数据的依赖，以提高泛化能力。然而，在时间序列识别领域，许多数据集往往非常小。解决这一问题的一种方法是使用数据扩充。在本文中，我们调查数据增强技术的时间序列和它们的应用与神经网络的时间序列分类。我们提出了一个分类法，并概述了时间序列数据增强的四个家庭，包括基于变换的方法，模式混合，生成模型和分解方法。此外，我们在128个时间序列分类数据集上用6种不同类型的神经网络对12种时间序列数据增强方法进行了实证评估。通过分析结果，我们能够分析每种数据增强方法的特点、优缺点和建议。本调查旨在帮助神经网络应用程序选择时间序列数据增强。
In recent times, deep artificial neural networks have achieved many successes in pattern recognition. Part of this success can be attributed to the reliance on big data to increase generalization. However, in the field of time series recognition, many datasets are often very small. One method of addressing this problem is through the use of data augmentation. In this paper, we survey data augmentation techniques for time series and their application to time series classification with neural networks. We propose a taxonomy and outline the four families in time series data augmentation, including transformation-based methods, pattern mixing, generative models, and decomposition methods. Furthermore, we empirically evaluate 12 time series data augmentation methods on 128 time series classification datasets with six different types of neural networks. Through the results, we are able to analyze the characteristics, advantages and disadvantages, and recommendations of each data augmentation method. This survey aims to help in the selection of time series data augmentation for neural network applications.
登录
查看更多内容
DOI：
10.1007/s10032-020-00350-4
发表时间：
2020-02-08
影响因子：
2.3
作者：
Carbune, Victor;Gonnet, Pedro;Gervais, Philippe
通讯作者：
Gervais, Philippe
DOI：
10.1109/tnnls.2014.2308321
发表时间：
2014-12-01
影响因子：
10.4
作者：
Cao, Hong;Tan, Vincent Y. F.;Pang, John Z. F.
通讯作者：
Pang, John Z. F.
影响因子：
3
作者：
Blagus R;Lusa L
通讯作者：
Lusa L
影响因子：
5
作者：
Chawla, NV;Bowyer, KW;Kegelmeyer, WP
通讯作者：
Kegelmeyer, WP
影响因子：
2.9
作者：
An, GZ
通讯作者：
An, GZ