ترجمه فارسی مقاله ارزیابی سیستماتیک سری‌های زمانی تولید شده و تأثیرات آن‌ها در پیش‌آموزش خود نظارتی

چکیده

Self-supervised Pretrained Models (PTMs) have demonstrated remarkable performance in computer vision and natural language processing tasks. These successes have prompted researchers to design PTMs for time series data. In our experiments, most self-supervised time series PTMs were surpassed by simple supervised models. We hypothesize this undesired phenomenon may be caused by data scarcity. In response, we test six time series generation methods, use the generated data in pretraining in lieu of the real data, and examine the effects on classification performance. Our results indicate that replacing a real-data pretraining set with a greater volume of only generated samples produces noticeable improvement.

چکیده به فارسی (ترجمه ماشینی)

مدلهای پیش بینی شده خود تحت نظارت (PTM) عملکرد قابل توجهی در دید رایانه و کارهای پردازش زبان طبیعی نشان داده اند.این موفقیت ها باعث شده است که محققان PTM را برای داده های سری زمانی طراحی کنند.در آزمایشات ما ، بیشتر PTM های سری زمانی خود تحت نظارت توسط مدلهای ساده نظارت شده پیشی گرفتند.ما فرض می کنیم که این پدیده ناخواسته ممکن است ناشی از کمبود داده ها باشد.در پاسخ ، ما شش روش تولید سری زمانی را آزمایش می کنیم ، به جای داده های واقعی ، از داده های تولید شده در پیش استفاده استفاده می کنیم و تأثیرات مربوط به عملکرد طبقه بندی را بررسی می کنیم.نتایج ما نشان می دهد که جایگزینی یک مجموعه پیش از داده های واقعی با حجم بیشتری از نمونه های تولید شده ، پیشرفت قابل توجهی را ایجاد می کند.