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。