36 lines
1.0 KiB
Markdown
36 lines
1.0 KiB
Markdown
---
|
||
title: "STAug (EMD-based Augmentation)"
|
||
created: 2026-05-26
|
||
type: concept
|
||
tags: ["time-series", "data-augmentation", "decomposition", "forecasting"]
|
||
sources: ["temporal-patch-shuffle-tps"]
|
||
---
|
||
|
||
# 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
|
||
|
||
1. 对两个序列施加 EMD
|
||
2. 得到 intrinsic mode functions (IMFs)
|
||
3. 从均匀分布采样 mixup 式插值权重
|
||
4. 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|TPS]] 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
|