研究人员开发了一个系统化的框架，以改进机器学习的轨迹数据增强。该研究评估了五种选择策略——离群度、多样性、代表性、不确定性和随机选择——在各种数据集上的表现，包括动物行为、海事和城市交通。结果表明，系统化策略，特别是离群度和不确定性，相比随机选择具有优势，尤其是在稀疏数据集上，尽管它们的有效性是有条件的，并且在密集数据集上可能降低性能。 AI
影响 为数据增强提供了一种更稳健的方法，有可能在数据稀缺的情况下提高模型性能。
排序理由 该集群包含一篇学术论文，详细介绍了机器学习数据增强的新方法。
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →
完整方法见我们的编辑标准。
arXiv:2606.10938v1 Announce Type: new Abstract: Trajectory data augmentation is a promising approach to mitigate data scarcity in machine learning applications, but its utility has been limited by the complexity of preserving spatio-temporal coherence. Although prior work demonst…
Trajectory data augmentation is a promising approach to mitigate data scarcity in machine learning applications, but its utility has been limited by the complexity of preserving spatio-temporal coherence. Although prior work demonstrated the viability of geometric perturbation, i…