一种带有类别平衡策略的主动学习框架用于时间序列分类

训练用于分类任务的机器学习模型通常需要标记大量样本，这既昂贵又耗时，尤其是在时间序列分析中。本研究探讨了主动学习（AL）策略，以减少有效时间序列分类所需的标记数据量。传统的主动学习技术无法控制每类实例的选择进行标记，导致分类性能和实例选择出现潜在偏差，尤其是在不平衡的时间序列数据集中。为了解决这个问题，我们提出了一种新颖的类别平衡实例选择算法，并与标准主动学习策略相结合。我们的方法旨在从标记样本较少的类别中选择更多实例，从而解决时间序列数据集中的不平衡问题。我们展示了我们的主动学习框架在两个不同领域（触觉纹理识别和工业故障检测）中选择信息性数据样本的有效性。在机器人学中，我们的方法实现了高性能的纹理分类，同时将标记训练数据需求显著降低至70%。我们还评估了使用主动学习策略的不同滑动窗口时间间隔对机器人纹理分类的影响。在合成纤维制造中，我们采用主动学习技术来解决故障分类的挑战，旨在降低工业领域的数据标注成本和时间。我们还使用与主动学习策略集成的类别平衡实例算法，解决了多类工业异常数据集中的现实类别不平衡问题。总体而言，本文强调了我们的主动学习框架在这两个不同领域的潜力。