Augmentation de données pour la classification de séries temporelles avec des modèles d'apprentissage profonds
Record type:
paper
Creator:
PiaDevWebIdo
Editor:
InsLabANR
Publisher:
CCSD
Host:
International audience
L’augmentation des données est un moyen efficace pour remédier au surapprentissage des modèles profonds. Concernant les séries temporelles, peu de travaux ont été réalisés. Pourtant, l’archive UCR, utilisée pour comparer les principaux classifieurs de séries temporelles, contient peu d’échantillons. Dans cet article, nous proposons d’étudier les effets de 4 méthodes d’augmentation de données sur les modèles Inception et InceptionTime. Nous avons montré qu’en utilisant une combinaison des méthodes Scaling et Window Warping, nous pouvons améliorer de manière significative la précision de ces modèles.
Similar
Application du chiffrement fonctionnel sur données confidentielles pour la conception de modèles d'apprentissage automatiqueAnalyse des séries temporelles Sentinel-2 pour l'estimation des cycles de maraîchage en saison sècheExploiting deep learning algorithms and satellite image time series for deforestation prediction Exploitation des algorithmes d'apprentissage profond et des séries temporelles d'images satellitaires pour la prédiction de la déforestationExploration de la séparation en langues dans les modèles de traitement de la parole auto-supervisés multilingues préentraînés avec des données écologiquesUtilisation de séries temporelles d'images satellitales à basse résolution pour la cartographie des trajectoires de l'activité végétale à l'échelle des unités administratives au CamerounFine-tuning de modèles de langues pour la veille épidémiologique multilingue avec peu de ressources