Generating Synthetic Time Series Data for Cyber-Physical Systems

要約

データ拡張は、時系列ドメインにおける深層学習アプリケーションの重要な促進手段です。
文献ではギャップが特定されており、時系列でのデータ拡張のためのドミナント シーケンス モデルであるトランスフォーマーのまばらな探索が実証されています。
いくつかの成功した先行技術をハイブリッド化したアーキテクチャが提案され、強力な時間領域の類似性メトリックを使用してテストされます。
結果は、この領域の課題と、将来の研究のためのいくつかの貴重な方向性を示唆しています。

要約(オリジナル)

Data augmentation is an important facilitator of deep learning applications in the time series domain. A gap is identified in the literature, demonstrating sparse exploration of the transformer, the dominant sequence model, for data augmentation in time series. A architecture hybridizing several successful priors is put forth and tested using a powerful time domain similarity metric. Results suggest the challenge of this domain, and several valuable directions for future work.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google