基于对比扩散的网络（CDNet）用于时间序列分类
机器学习
2025-07-30 v1
摘要
深度学习模型因其可扩展性和效率优势而广泛应用于时间序列分类（TSC）。然而，在面对类别相似、多模态分布和噪声等挑战性数据条件时，其性能会下降。为此，我们提出了 CDNet，即 Contrastive Diffusion-based Network，通过学习的扩散过程生成信息丰富的正负样本，以增强现有分类器的性能。不同于传统扩散模型对单个样本去噪，CDNet 通过卷积近似的反向扩散步骤学习样本之间的转换——既包括同一类别内的转换，也包括跨类别的转换。我们引入一种在理论上得到良好依托的基于 CNN 的机制，以实现去噪和模式覆盖，并纳入不确定性加权的复合损失，以实现稳健的训练。对 UCR Archive 和模拟数据集上的大量实验表明，CDNet 在嘈杂、相似和多模态条件下显著提升了最新深度学习分类器的性能。
引用
@article{arxiv.2507.21357,
title = {A Contrastive Diffusion-based Network (CDNet) for Time Series Classification},
author = {Yaoyu Zhang and Chi-Guhn Lee},
journal= {arXiv preprint arXiv:2507.21357},
year = {2025}
}
备注
19 pages, conference