Enhancing Machine Learning Model Performance through Synthetic Time-Series Eyetracking Data

Kurzfassung

In dieser Masterarbeit wird die Generierung synthetischer Zeitreihendaten aus der Blickbewegungsanalyse zum Zweck der Datenerweiterung zur Verbesserung der Klassifikationsleistung untersucht. Die synthetischen Daten werden mit Hilfe eines Variational Autoencoders (VAE) generiert und im Vergleich zu traditionellen Zeitreihenerweiterungstechniken bewertet. Es wurden verschiedene VAE-Architekturen, Eingabeeinbettungen und vorgegebene Verteilungen untersucht. Keines dieser Verfahren lieferte jedoch zufriedenstellende Ergebnisse in Bezug auf die Erzeugung von Daten, die den Originaldaten sehr ähnlich sind oder die Klassifikationsleistung effektiv verbessern. Im Gegensatz dazu führten traditionelle Augmentierungsmethoden, die Transformationen entlang der Zeitachse beinhalten, zu bescheidenen Verbesserungen der Testgenauigkeit. Eine detaillierte Analyse des latenten Raums der VAE ergab eine ungleichmäßige Verteilung der kodierten Informationen über die latenten Dimensionen. Eine kleine Untergruppe von Dimensionen erfasste einen bedeutenden Teil des Inhalts, der für die Klassifizierung relevant war, während die Mehrheit einen minimalen Beitrag leistete. Darüber hinaus führte die Einbeziehung von domänenspezifischem Wissen in die VAE-Architektur nicht zu einem nennenswerten Leistungszuwachs, da das Modell diese zusätzlichen Informationen nur in begrenztem Umfang nutzte.