面向缺失值情形的时间序列分类的端到端模型
机器学习
2024-08-13 v1 机器学习
摘要
时间序列分类在实际应用中常常面临缺失数据问题。传统的两阶段方法先进行插值再进行分类，由于在插值过程中未利用标签信息，往往导致次优性能。而单阶段方法虽能在缺失信息下学习特征，但由于插值误差在分类过程中被放大，特征表示受限。为此，本文提出一种端到端神经网络，统一数据插值与特征学习于单一框架，使插值过程能够利用标签信息。不同于前人方法，本研究更关注分类性能而非插值数据的精确度。设计了多尺度特征学习模块，从噪声-插值数据中提取有用信息。该模型在 68 个来自 UCR 数据集的单变量时间序列数据上进行评估，同时测试于多个缺失率的多变量时间序列数据集和 4 个真实世界数据集。实验结果表明，在缺失数据严重的情况下，本文模型在不完整时间序列分类任务中超越当前最先进的方法。
引用
@article{arxiv.2408.05849,
title = {An End-to-End Model for Time Series Classification In the Presence of Missing Values},
author = {Pengshuai Yao and Mengna Liu and Xu Cheng and Fan Shi and Huan Li and Xiufeng Liu and Shengyong Chen},
journal= {arXiv preprint arXiv:2408.05849},
year = {2024}
}