PAITS：针对不规则采样时间序列的预训练和增强
摘要：稀疏和不规则采样的时间序列数据常常反映了顺序人类行为，同时在时间和实体上的采样高度不均匀。然而，常用的时间序列预训练和增强方法并未专门针对这种情况进行设计。本文提出了PAITS（用于不规则采样时间序列的预训练和增强）框架，用于识别适用于稀疏和不规则采样时间序列数据集的合适预训练策略。PAITS利用了一种新颖的NLP启发式预训练任务和增强方法的组合，以及随机搜索来确定给定数据集的有效策略。我们证明不同的数据集从不同的预训练选择中受益。与先前的方法相比，我们的方法能够在多个数据集和领域上持续改善预训练效果。我们的代码可在以下网址找到： url{https://github.com/google-research/google-research/tree/master/irregular_timeseries_pretraining}。
作者：Nicasia Beebe-Wang, Sayna Ebrahimi, Jinsung Yoon, Sercan O. Arik, Tomas Pfister
论文ID：2308.13703
分类：Machine Learning
分类简称：cs.LG
提交时间：2023-08-29