Empirical Study of Mix-based Data Augmentation Methods in Physiological Time Series Data

要約

データ拡張は、ディープ モデル トレーニングの手順における一般化を支援するための一般的な手法です。
生理学的時系列分類の文脈では、これまでの研究は主にラベル不変のデータ拡張手法に焦点を当ててきました。
ただし、コンピューター ビジョンの分野で登場した別のクラスの拡張技術 (\textit{つまり Mixup}) は、時系列ドメインではまだ完全に調査されていません。
この研究では、6 つの生理学的データセットに対するミックスアップ、カットミックス、多様体ミックスアップを含むミックスベースの拡張を体系的にレビューし、さまざまな感覚データと分類タスクにわたるパフォーマンスを評価します。
私たちの結果は、3 つの混合ベースの拡張により 6 つのデータセットのパフォーマンスを一貫して向上できることを示しています。
さらに重要なのは、この改善は専門知識や広範なパラメーター調整に依存していないことです。
最後に、混合ベースの拡張方法の独自の特性の概要を示し、生理学的時系列データで混合ベースの拡張を使用する潜在的な利点を強調します。

要約(オリジナル)

Data augmentation is a common practice to help generalization in the procedure of deep model training. In the context of physiological time series classification, previous research has primarily focused on label-invariant data augmentation methods. However, another class of augmentation techniques (\textit{i.e., Mixup}) that emerged in the computer vision field has yet to be fully explored in the time series domain. In this study, we systematically review the mix-based augmentations, including mixup, cutmix, and manifold mixup, on six physiological datasets, evaluating their performance across different sensory data and classification tasks. Our results demonstrate that the three mix-based augmentations can consistently improve the performance on the six datasets. More importantly, the improvement does not rely on expert knowledge or extensive parameter tuning. Lastly, we provide an overview of the unique properties of the mix-based augmentation methods and highlight the potential benefits of using the mix-based augmentation in physiological time series data.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google