arXiv stat.ML· Yuhao Qi, Wenlin Dai, Xuehu Zhu·· 7 天前AI 评分33
函数型数据的合成数据增强：Wasserstein 风险界与基于扩散模型的条件生成
Synthetic Data Augmentation for Functional Data: Wasserstein Risk Bounds and Diffusion-Based Conditional Generation
AI 导读
针对采集成本高昂的函数型数据，研究提出基于类别条件函数扩散模型的合成数据增强方法，并在 Wasserstein-1 距离下给出了理论风险界。理论推导出了最优合成曲线数量与合成数据超越真实数据的条件，同时界定了类别不平衡下的超额风险。在温度、高光谱和步态曲线实验中，该方法提升了分类与函数回归表现，向少数类补充样本收益最高。
来源：arXiv stat.ML · arxiv.org