Buchumschlag

Time Series Data Augmentation as an Imbalanced Learning Problem

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Cerqueira, Vitor, Moniz, Nuno, Inácio, Ricardo, Soares, Carlos
Format:	Preprint
Veröffentlicht:	2024
Schlagworte:	Machine Learning
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Meta-learning and Data Augmentation for Stress Testing Forecasting Models
von: Inácio, Ricardo, et al.
Veröffentlicht: (2024)

Lag Selection for Univariate Time Series Forecasting using Deep Learning: An Empirical Study
von: Leites, José, et al.
Veröffentlicht: (2024)

Simulating Biases for Interpretable Fairness in Offline and Online Classifiers
von: Inácio, Ricardo, et al.
Veröffentlicht: (2025)

Online Data Augmentation for Forecasting with Deep Learning
von: Cerqueira, Vitor, et al.
Veröffentlicht: (2024)

L-GTA: Latent Generative Modeling for Time Series Augmentation
von: Roque, Luis, et al.
Veröffentlicht: (2025)

Grasynda: Graph-based Synthetic Time Series Generation
von: Amorim, Luis, et al.
Veröffentlicht: (2026)

N-BEATS-MOE: N-BEATS with a Mixture-of-Experts Layer for Heterogeneous Time Series Forecasting
von: Matos, Ricardo, et al.
Veröffentlicht: (2025)

Forecasting with Deep Learning: Beyond Average of Average of Average Performance
von: Cerqueira, Vitor, et al.
Veröffentlicht: (2024)

Spectral Manifold Harmonization for Graph Imbalanced Regression
von: Nogueira, Brenda, et al.
Veröffentlicht: (2025)

ModelRadar: Aspect-based Forecast Evaluation
von: Cerqueira, Vitor, et al.
Veröffentlicht: (2025)

Relevance-aware Algorithmic Recourse
von: Kim, Dongwhi, et al.
Veröffentlicht: (2024)

Cherry-Picking in Time Series Forecasting: How to Select Datasets to Make Your Model Shine
von: Roque, Luis, et al.
Veröffentlicht: (2024)

Automated Privacy-Preserving Techniques via Meta-Learning
von: Carvalho, Tânia, et al.
Veröffentlicht: (2024)

Conformalized Selective Regression
von: Sokol, Anna, et al.
Veröffentlicht: (2024)

Synthetic Data Outliers: Navigating Identity Disclosure
von: Trindade, Carolina, et al.
Veröffentlicht: (2024)

SPECTRA: Spectral Domain-Aware Graph Generation for Imbalanced Molecular Property Regression
von: Nogueira, Brenda, et al.
Veröffentlicht: (2025)

Differentially-Private Data Synthetisation for Efficient Re-Identification Risk Control
von: Carvalho, Tânia, et al.
Veröffentlicht: (2022)

Experiential-Informed Data Reconstruction for Fishery Sustainability and Policies in the Azores
von: Nogueira, Brenda, et al.
Veröffentlicht: (2023)

Close to Reality: Interpretable and Feasible Data Augmentation for Imbalanced Learning
von: da Silva, Matheus Camilo, et al.
Veröffentlicht: (2026)

AnyLoss: Transforming Classification Metrics into Loss Functions
von: Han, Doheon, et al.
Veröffentlicht: (2024)

Intersectional Divergence: Measuring Fairness in Regression
von: Germino, Joe, et al.
Veröffentlicht: (2025)

Fast Explanations via Policy Gradient-Optimized Explainer
von: Pan, Deng, et al.
Veröffentlicht: (2024)

MIDAS: Misalignment-based Data Augmentation Strategy for Imbalanced Multimodal Learning
von: Hwang, Seong-Hyeon, et al.
Veröffentlicht: (2025)

Data Augmentation with Variational Autoencoder for Imbalanced Dataset
von: Stocksieker, Samuel, et al.
Veröffentlicht: (2024)

Exceedance Probability Forecasting via Regression for Significant Wave Height Prediction
von: Cerqueira, Vitor, et al.
Veröffentlicht: (2022)

Time-Series Contrastive Learning against False Negatives and Class Imbalance
von: Jin, Xiyuan, et al.
Veröffentlicht: (2023)

Parametric Augmentation for Time Series Contrastive Learning
von: Zheng, Xu, et al.
Veröffentlicht: (2024)

Class-Based Time Series Data Augmentation to Mitigate Extreme Class Imbalance for Solar Flare Prediction
von: Wen, Junzhi, et al.
Veröffentlicht: (2024)

Data Augmentation for Multivariate Time Series Classification: An Experimental Study
von: Ilbert, Romain, et al.
Veröffentlicht: (2024)

Data Augmentation in Time Series Forecasting through Inverted Framework
von: Tan, Hongming, et al.
Veröffentlicht: (2025)

OATS: Online Data Augmentation for Time Series Foundation Models
von: Deng, Junwei, et al.
Veröffentlicht: (2026)

Data Augmentation for Classification of Negative Pregnancy Outcomes in Imbalanced Data
von: Biswas, Md Badsha
Veröffentlicht: (2025)

AimTS: Augmented Series and Image Contrastive Learning for Time Series Classification
von: Chen, Yuxuan, et al.
Veröffentlicht: (2025)

FiLMMeD: Feature-wise Linear Modulation for Cross-Problem Multi-Depot Vehicle Routing
von: Corrêa, Arthur, et al.
Veröffentlicht: (2026)

Contrastive Representation Learning for Predicting Solar Flares from Extremely Imbalanced Multivariate Time Series Data
von: Vural, Onur, et al.
Veröffentlicht: (2024)

Handling Extreme Class Imbalance: Using GANs in Data Augmentation for Suicide Prediction
von: Visweswaraiah, Vaishnavi, et al.
Veröffentlicht: (2025)

More Data or Better Algorithms: Latent Diffusion Augmentation for Deep Imbalanced Regression
von: Alahyari, Shayan
Veröffentlicht: (2025)

Data Augmentation for Time-Series Classification: An Extensive Empirical Study and Comprehensive Survey
von: Gao, Zijun, et al.
Veröffentlicht: (2023)

Learning Confidence Bounds for Classification with Imbalanced Data
von: Clifford, Matt, et al.
Veröffentlicht: (2024)

A Comprehensive Survey on Imbalanced Data Learning
von: Gao, Xinyi, et al.
Veröffentlicht: (2025)