신경망을 활용한 시계열 분류를 위한 데이터 증강에 대한 실증 조사

최근 심층 인공 신경망은 패턴 인식에서 많은 성공을 거두었습니다. 이러한 성공의 일부는 일반화를 증가시키기 위해 빅 데이터에 의존한 결과입니다. 그러나 시계열 인식 분야에서는 많은 데이터셋이 종종 매우 작습니다. 이 문제를 해결하는 한 가지 방법은 데이터 증강을 사용하는 것입니다. 본 논문에서는 시계열을 위한 데이터 증강 기법과 신경망을 활용한 시계열 분류에의 응용을 조사합니다. 우리는 분류 체계를 제안하고 변환 기반 방법, 패턴 혼합, 생성 모델 및 분해 방법을 포함한 시계열 데이터 증강의 네 가지 범주를 개략적으로 설명합니다. 또한, 우리는 6가지 유형의 신경망을 사용하여 128개의 시계열 분류 데이터셋에서 12개의 시계열 데이터 증강 방법을 실증적으로 평가합니다. 이 결과를 통해 각 데이터 증강 방법의 특성, 장단점 및 권장 사항을 분석할 수 있습니다. 이 조사는 신경망 응용을 위한 시계열 데이터 증강 선택에 도움이 되는 것을 목표로 합니다.