时间序列数据增强方法

几何变换、窗口裁剪、 添加噪声等基础方法

翻转、缩放、窗口规整、时间镜像、下采样、窗口切片、在时间域或频率域添加噪声等。

异常标签扩展

将与实际异常点在时间上和属性取值 上都接近的点也标注成异常点。

Feature representation and data augmentation for human activity classification based on wearable IMU sensor data using a deep LSTM neural network

一是对特征数据进行局部平均作下采样，二是打乱时序顺序。

AAFT、IAAFT

对傅里叶变换后的数据在振幅谱上进行调整。

FBG

将序列分解为不同成分，再为不同成分分配权重，组合新的时间序列。

Bagged.BLD.MBB.ETS

有放回地重复采样剩余项，和趋势项与季节项混合。

T-CGAN

使用一维卷积的 CGAN，条件输入是时间戳，时间戳可以是间隔不等的。

ehrGAN

用一维卷积 GAN 生成医疗时间序列，引入了半监督学习。

BiLSTM-CNN GAN

将RNN用于生成器，CNN用于判别器。

RGAN、RCGAN

生成器和判别器都使用RNN结构，后者还引入了条件输入。

TimeGAN

基于RNN，用可学习的嵌入网络降低对抗学习空间的维度，引入监督学习让模型学习到每一时刻的条件分布。

混合多个GAN

用多个GAN，每一个生成特定标签的数据。

应用DisturbLabel的方法

对标签做数据增强，随机修改一部分标签。

SpecAugment

在时间-频率域的频谱上操作，包含时间规整/掩蔽、频域掩蔽。

混响

混合不同强度且有时间差的声音序列。

SpecGAN

把频谱图看成图片，用 DCGAN 生成新的频谱图。

WaveGAN

直接使用一维的DCGAN。

C-RNN-GAN

生成器和判别器都使用RNN，将每一时刻的音乐特征化为连续值。

SeqGAN

将音乐建模成离散特征的词向量，用策略梯度方法学习整个模型。

G-RNN-GAN

生成器使用多层RNN，判别器使用简单的多层感知机。

DCRGAN

结合使用了 CNN 和 LSTM，后者用于提取长时信息。