TADA: Temporal Adversarial Data Augmentation for Time Series Data

域泛化旨在训练机器学习模型以在来自分布不同的未见样本上具有鲁棒性。对抗数据增强（ADA）是一种常用的方法，通过引入合成样本来增强模型的适应性，以模拟潜在的未见样本。虽然ADA有效地解决了与振幅相关的分布转移问题，但在处理时间序列数据中必不可少的时间转移方面表现不佳。为了解决这个问题，我们提出了面向时间序列数据的时间对抗数据增强（TADA），它采用了一种特定于时间转移的时间扭曲技术。鉴于传统时间扭曲中的非可微性挑战，我们通过利用频域中的相位转移使其可微。我们在不同领域进行的评估表明，TADA显著优于现有的ADA变体，在具有不同分布的时间序列数据集上提高了模型的性能。

论文旨在解决领域一般化中的时间漂移问题，提出了一种针对时间序列数据的新型数据增强方法。

论文提出了一种名为TADA的数据增强方法，它利用相位频移技术使传统时间对齐变得可微分，从而解决了传统时间对齐中的不可微分问题。

论文使用了多个数据集进行了实验验证，并证明TADA方法在不同领域的时间序列数据集上均优于现有的ADA变体。论文的方法和实验结果值得深入研究。

在领域一般化的相关研究中，也有一些关注时间漂移问题的研究，如《Domain Generalization for Time Series Data with Deep Architectures》和《Domain Generalization for Time Series Classification with Adaptive Neighbors》。