Core Concepts
Das vorgeschlagene Framework CondTSC generiert einen kondensierteren synthetischen Datensatz, der die Dynamik des Trainings eines Netzwerks für die Zeitreihenanalyse beibehält, indem es sowohl den Zeitbereich als auch den Frequenzbereich berücksichtigt.
Abstract
Der Artikel präsentiert ein neuartiges Framework namens CondTSC, das sich auf die Datenkondensation für die Zeitreihenklassifizierung konzentriert. Im Gegensatz zu früheren Methoden, die hauptsächlich auf Bild- und Graphdatensätze ausgerichtet sind, zielt CondTSC darauf ab, einen kondensierteren synthetischen Datensatz zu generieren, der die Zielgrößen in sowohl dem Zeit- als auch dem Frequenzbereich abgleicht.
Konkret umfasst CondTSC drei Schlüsselmodule:
Multi-View-Datenaugmentierung: Dieses Modul projiziert die synthetischen Daten in mehrere frequenzerweiterte Räume, um die Datenstichproben anzureichern und den Abgleich der Zielgrößen zu verbessern.
Dual-Domain-Training: Dieses Modul integriert sowohl den Zeit- als auch den Frequenzbereich und nutzt sie beim Aufbau der Zielgrößen.
Dual-Objectives-Matching: Dieses Modul gleicht die Zielgrößen in beiden Domänen ab, um sicherzustellen, dass das Training mit den kondensierteren synthetischen Daten ähnliche Gradienten- und Zustandsverteilungen wie das Training mit den vollständigen realen Daten erzeugt.
Umfangreiche Experimente zeigen, dass CondTSC in vielen Szenarien wie der Erkennung menschlicher Aktivitäten (HAR) und der Klassifizierung von Insektengeräuschen hervorragende Leistungen erbringt. Zum Beispiel erreichen wir 61,38% Genauigkeit mit 0,1% der ursprünglichen Größe und 86,64% Genauigkeit mit 1% der ursprünglichen Größe im HAR-Datensatz, verglichen mit 93,14% Genauigkeit mit dem vollständigen ursprünglichen Datensatz.
Stats
Mit 0,1% der ursprünglichen Größe erreichen wir 61,38% Genauigkeit im HAR-Datensatz.
Mit 1% der ursprünglichen Größe erreichen wir 86,64% Genauigkeit im HAR-Datensatz.
Mit dem vollständigen ursprünglichen Datensatz erreichen wir 93,14% Genauigkeit im HAR-Datensatz.
Quotes
"Das vorgeschlagene Framework CondTSC generiert einen kondensierteren synthetischen Datensatz, der die Dynamik des Trainings eines Netzwerks für die Zeitreihenanalyse beibehält, indem es sowohl den Zeitbereich als auch den Frequenzbereich berücksichtigt."
"Umfangreiche Experimente zeigen, dass CondTSC in vielen Szenarien wie der Erkennung menschlicher Aktivitäten (HAR) und der Klassifizierung von Insektengeräuschen hervorragende Leistungen erbringt."