PulseAugur
中
实时 09:49:24
English(EN) OATS: Online Data Augmentation for Time Series Foundation Models

新的OATS策略通过动态数据增强增强时间序列基础模型

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员开发了OATS，一种面向时间序列基础模型（TSFM）的新型在线数据增强策略。该方法利用有价值的训练样本作为指导信号，动态生成针对特定训练阶段量身定制的合成数据。OATS采用基于扩散的框架进行真实时间序列生成，并采用探索-利用机制来平衡效率和有效性。实验表明，OATS在多个数据集和TSFM架构上显著优于标准训练和现有的静态数据增强技术。 AI

影响 增强时间序列模型的训练，可能提高预测和异常检测任务的性能。

排序理由 该项目是一篇学术论文，详细介绍了一种用于时间序列基础模型的新方法。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →

新的OATS策略通过动态数据增强增强时间序列基础模型

报道来源 [1]

  1. arXiv cs.LG TIER_1 English(EN) · Junwei Deng, Chang Xu, Jiaqi W. Ma, Ming Jin, Chenghao Liu, Xu Zhang, Li Zhao, Jiang Bian ·

    OATS：用于时间序列基础模型的在线数据增强

    arXiv:2601.19040v2 Announce Type: replace Abstract: Time Series Foundation Models (TSFMs) are a powerful paradigm for time series analysis and are often enhanced by synthetic data augmentation to improve the training data quality. Existing augmentation methods, however, typically…

相关实体

相关话题