多视角时间序列分类的自适应迁移学习
机器学习
2019-10-18 v1 机器学习
摘要
时间序列分类（TSC）一直是数据挖掘中一项重要且具有挑战性的任务，尤其是在多变量时间序列和多视角时间序列数据集上。同时，迁移学习已被广泛应用于计算机视觉和自然语言处理应用中，以提高深度神经网络的泛化能力。然而，以往很少有工作将迁移学习框架应用于时间序列挖掘问题。特别是，基于动态表示（如通过重要性采样的密度估计）来度量源域与目标域之间相似性的技术，从未与迁移学习框架结合使用。在本文中，我们首先为多视角时间序列数据提出了一个通用的自适应迁移学习框架，该框架在知识迁移过程中展现出强大的存储视角间重要性值的能力。接着，我们通过一些时间序列相似性度量来表示视角间重要性，并通过密度估计技术近似潜在空间中用于重要性采样的后验分布。然后，我们计算采样重要性值的矩阵范数，该范数控制预训练过程中知识迁移的程度。我们进一步评估了我们的工作，将其应用于许多其他时间序列分类任务，并观察到我们的架构保持了理想的泛化能力。最后，我们得出结论，我们的框架可以与深度学习技术相结合，以获得显著的模型性能提升。
引用
@article{arxiv.1910.07632,
title = {Adaptive Transfer Learning of Multi-View Time Series Classification},
author = {Donglin Zhan and Shiyu Yi and Dongli Xu and Xiao Yu and Denglin Jiang and Siqi Yu and Haoting Zhang and Wenfang Shangguan and Weihua Zhang},
journal= {arXiv preprint arXiv:1910.07632},
year = {2019}
}
备注
12 pages, 5 figures