基于图的方法用于半监督时间序列分类的实证研究

时间序列数据在许多应用中起着重要作用，其分析揭示了理解底层过程的关键信息。在众多极为重要的时间序列学习任务中，我们在此聚焦于基于数据图表示的半监督学习。该任务涉及两个主要方面。一是评估时间序列间相似度的合适距离度量，二是基于这些距离进行预测的学习方法。然而，在基于图的学习背景下，这两方面之间的关系从未被系统研究过。我们描述了四种不同的距离度量，包括(Soft) DTW和基于矩阵轮廓的MPDist，以及四种成功的半监督学习方法，包括图Allen--Cahn方法和图卷积神经网络。我们随后在二分类数据集上比较了这些算法的性能。在我们的发现中，我们使用所有距离度量比较所选择的基于图的方法，并观察到结果在准确率方面差异显著。正如“没有免费午餐”定理所预测的，未找到适用于所有情形明确的最佳组合。我们的研究为未来聚焦于图表示的时间序列半监督学习工作提供了一个可复现的框架。