Data Augmentation techniques in time series domain: A survey and taxonomy

本文是对《Data Augmentation techniques in time series domain: A survey and taxonomy》的翻译。

摘要

随着深度学习生成模型的最新进展，利用它们在时间序列领域的出色表现并不需要很长时间。用于处理时间序列的深度神经网络在很大程度上依赖于用于训练的数据集的广度和一致性。这些类型的特征在现实世界中通常并不丰富，它们通常是有限的，并且通常具有必须保证的隐私约束。因此，一种有效的方法是使用数据增强（DA）技术，通过添加噪声或置换以及生成新的合成数据来增加数据的数量。它系统地回顾了该领域的最新技术，概述了所有可用的算法，并提出了最相关研究的分类。将评估不同变体的效率；作为过程的一个重要部分，将分析评估性能的不同指标以及与每个模型相关的主要问题。这项研究的最终目标是提供一个关于产生更好结果的领域的发展和表现的总结，以指导该领域的未来研究人员。

1. 引言

自深度学习（DL）出现以来，研究和工业界的一项重要工作就是解决和改进监督训练任务。监督学习需要具有各种特征的数据集，其中每个样本都必须标记。使用监督学习技术解决的最具代表性的问题是分类、回归和结构化模式输出问题。
传统上，用于监督任务的机器学习（ML）模型属于区分模型类别。区分建模与监督学习同义，或使用标记数据集学习将输入映射到输出的函数。从形式的角度来看，区分建模估计 p ( y ∣ x ) p(y|x)