Few-shot Learning using Data Augmentation and Time-Frequency Transformation for Time Series Classification

要約

時系列分類（TSC）タスクに取り組むディープニューラルネットワーク（DNN）は、信号処理において有望なフレームワークを提供してきた。実際のアプリケーションでは、データ駆動型モデルであるDNNはデータ不足に悩まされる。この限界に対処するために、少数ショット学習が研究されてきた。本論文では、時間周波数領域による変換とランダム消去による合成画像の生成を含む、データ増強による新しい少数ショット学習フレームワークを提案する。さらに、シーケンス・スペクトログラム・ニューラルネットワーク（SSNN）を開発する。1つは入力シーケンスから特徴を抽出するために1次元残差ブロックを利用し、もう1つはスペクトログラム表現から特徴を抽出するために2次元残差ブロックを利用する。実験では、筋萎縮性側索硬化症(ALS)データセットと風力タービン故障(WTF)データセットを用いて、データ増強の有無による既存の様々なDNNモデルの比較研究を行った。実験の結果、提案手法はALSデータセットにおいて93.75%のF1スコアと93.33%の精度を達成し、WTFデータセットでは95.48%のF1スコアと95.59%の精度を達成した。本手法は、時系列分類における少数ショットの問題への適用可能性を示す。

要約(オリジナル)

Deep neural networks (DNNs) that tackle the time series classification (TSC) task have provided a promising framework in signal processing. In real-world applications, as a data-driven model, DNNs are suffered from insufficient data. Few-shot learning has been studied to deal with this limitation. In this paper, we propose a novel few-shot learning framework through data augmentation, which involves transformation through the time-frequency domain and the generation of synthetic images through random erasing. Additionally, we develop a sequence-spectrogram neural network (SSNN). This neural network model composes of two sub-networks: one utilizing 1D residual blocks to extract features from the input sequence while the other one employing 2D residual blocks to extract features from the spectrogram representation. In the experiments, comparison studies of different existing DNN models with/without data augmentation are conducted on an amyotrophic lateral sclerosis (ALS) dataset and a wind turbine fault (WTF) dataset. The experimental results manifest that our proposed method achieves 93.75% F1 score and 93.33% accuracy on the ALS datasets while 95.48% F1 score and 95.59% accuracy on the WTF datasets. Our methodology demonstrates its applicability of addressing the few-shot problems for time series classification.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL