Wave-Mask/Mix: Exploring Wavelet-Based Augmentations for Time Series Forecasting

要約

データ拡張は、現実世界のデータが限られている場合に機械学習モデルのパフォーマンスを向上させるために重要です。
金融、ヘルスケア、製造などの分野で正確な予測が重要である時系列予測 (TSF) では、分類タスクの従来の拡張方法では時間的一貫性を維持するには不十分です。
この研究では、時系列データの時間依存性を維持しながら周波数要素を調整する離散ウェーブレット変換 (DWT) を使用した 2 つの拡張アプローチを導入します。
当社の手法であるウェーブレット マスキング (WaveMask) とウェーブレット ミキシング (WaveMix) は、さまざまな予測期間にわたって確立されたベースラインに対して評価されます。
私たちの知る限り、これは、拡張技術として離散ウェーブレット変換を使用して、多変量時系列に関する広範な実験を実施した最初の研究です。
実験結果は、私たちの技術が以前の方法と競合する結果を達成することを示しています。
また、ダウンサンプリングされたトレーニング データセットを使用したコールド スタート予測についても調査し、結果をベースライン手法と比較します。

要約(オリジナル)

Data augmentation is important for improving machine learning model performance when faced with limited real-world data. In time series forecasting (TSF), where accurate predictions are crucial in fields like finance, healthcare, and manufacturing, traditional augmentation methods for classification tasks are insufficient to maintain temporal coherence. This research introduces two augmentation approaches using the discrete wavelet transform (DWT) to adjust frequency elements while preserving temporal dependencies in time series data. Our methods, Wavelet Masking (WaveMask) and Wavelet Mixing (WaveMix), are evaluated against established baselines across various forecasting horizons. To the best of our knowledge, this is the first study to conduct extensive experiments on multivariate time series using Discrete Wavelet Transform as an augmentation technique. Experimental results demonstrate that our techniques achieve competitive results with previous methods. We also explore cold-start forecasting using downsampled training datasets, comparing outcomes to baseline methods.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google