2016 Data Augmentation for Time Series Classification using Convolutional Neural Networks

1. 摘要
   CNN分类常用于计算机视觉和语言识别，但是很少用于时间序列分类。因为设计了一个有两层卷积层的CNN用于作时间序列分类。CNN的一个缺点就是需要大量的有效数据去训练。针对这个缺点提出了两个解决方案：（1）数据扩充 (2)利用来自不同数据集的训练时间序列以半监督的方式学习网络
2. Introduction
   文献中关于时间序列分类的方法主要有两种：（1)distance-based【基于距离】【在原始数据上直接出来，根据原始数据相似性进行分类】【常用方法：DTW、ED、DTW与K-NN组合】 （2）feature-based methods【基于特征】【从每个时间序列中提取一组局部描述它的特征向量】。
   在时间序列分类中，UCR数据集通常用于评价不同方法的性能。
   在本文中，提出了两种方法来提高CNN在小数据集时间序列分类中的性能
3. 模型
   模型被称为 t-leNet ，用于时间序列分类的模型。架构：卷积层 --》最大池化（下采样）–》卷积层–》最大池化（下采样）–》全连接层
   
4. 时间序列扩充
   （1）常见的切片，窗口扭曲等操作，在可视范围内进行数据扩充
   

（2）没有用到GAN

5. 数据扩充的影响
   WS【窗口切片】方法和WW【窗口扭曲】方法都有助于提高分类性能。在这些实验中，WS的切片大小设置为原始时间序列大小的90%，而WW中扭曲的切片大小设置为时间序列大小的10%。观察到的WW改进在5%水平不能被认为是显著的，因为错误率分散远高于WS数据增强方法。然而，有趣的一点是，对于WW，我们可以得出一个何时使用它的经验法则:这种方法几乎总是可以提高性能
   
6. 总结
   本文没有用到GAN，仅作了解