1.0 KiB
1.0 KiB
title, created, type, tags, sources
| title | created | type | tags | sources | |||||
|---|---|---|---|---|---|---|---|---|---|
| STAug (EMD-based Augmentation) | 2026-05-26 | concept |
|
|
STAug
基于经验模态分解 (EMD) 的时间序列增强——将两序列的 IMF 通过 mixup 式插值重组。
流程
- 对两个序列施加 EMD
- 得到 intrinsic mode functions (IMFs)
- 从均匀分布采样 mixup 式插值权重
- 将两组 IMF 重新组合 → 混合了两个输入时间特征的新序列
优势
- 兼顾多样性与一致性的样本生成机制
- 分解保证了信号的物理合理性
致命缺陷
- EMD 内存开销极大：ECL 和 Traffic 数据集上 GPU 内存不够无法评估
- 这一限制在 STAug 原论文中也有承认
- 不具备 temporal-patch-shuffle 的计算效率
相关页面
- time-series-forecasting-augmentation — 预测增强框架
- temporal-patch-shuffle — 计算高效的 SOTA 替代
- wavemask-wavemix — 分解类的 wavelet 替代