Alapfogalmak
オンザフライデータ拡張は、深層学習モデルの予測性能を向上させる。
Kivonat
本研究では、時系列予測のための新しいデータ拡張手法「OnDAT」を提案している。従来のデータ拡張手法は、訓練前に1つの拡張データセットを作成するのに対し、OnDATはトレーニングの各ステップでデータ拡張を行う。
具体的には、ミニバッチごとにデータ拡張を行うことで、常に変化する拡張データに対してモデルを学習させる。これにより、データ生成過程をより良く探索できるため、過学習を抑制し、予測性能を向上させることができる。
提案手法は、季節分解とムービングブロックブートストラップに基づいている。実験では、8つのベンチマークデータセットを用いて評価を行った。その結果、OnDATは従来のデータ拡張手法や拡張なしの手法よりも優れた予測性能を示すことが分かった。また、検証時のデータ拡張によって、早期停止やモデルチェックポイントの精度も向上することが確認された。
Statisztikák
時系列データには季節性が存在する。
時系列データの長さは14,062,121観測値に及ぶ。
データセットには合計75,797の時系列が含まれる。
Idézetek
"オンザフライデータ拡張は、深層学習モデルの予測性能を向上させる。"
"従来のデータ拡張手法は、訓練前に1つの拡張データセットを作成するのに対し、OnDATはトレーニングの各ステップでデータ拡張を行う。"
"OnDATは、従来のデータ拡張手法や拡張なしの手法よりも優れた予測性能を示す。"