PulseAugur
中
实时 05:58:59

ReAugment 使用 RL 进行少样本时间序列预测

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员开发了 ReAugment，一种利用强化学习 (RL) 来增强少样本预测任务的时间序列数据增强的新颖方法。该方法通过自适应地将易过拟合的样本转化为新的数据，从而解决训练数据有限带来的挑战，这些新数据可以提高训练集的多样性并针对模型的弱点。ReAugment 的有效性已在各种预测模型中得到验证，在标准和少样本学习场景中均显示出显著优势。 AI

影响 通过改进数据增强技术，增强了时间序列预测的少样本学习能力。

排序理由 这是一篇详细介绍时间序列增强和预测新方法的学术论文。

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 →

ReAugment 使用 RL 进行少样本时间序列预测

报道来源 [1]

  1. arXiv cs.LG TIER_1 English(EN) · Haochen Yuan, Yutong Wang, Yihong Chen, Yunbo Wang, Xiaokang Yang ·

    ReAugment：模型库引导的强化学习用于少样本时间序列增强和预测

    arXiv:2409.06282v5 Announce Type: replace Abstract: Time series forecasting, particularly in few-shot learning scenarios, is challenging due to the limited availability of high-quality training data. To address this, we present a pilot study on using reinforcement learning (RL) f…

相关实体

相关话题