CATS：为多变量时间序列分类消除相关性偏移
机器学习
2025-04-08 v1 人工智能
机器学习
摘要
无监督域适应(DA)利用标记的源数据为未标记的目标数据训练模型。鉴于多变量时间序列(MTS)数据在各个领域的普遍存在，针对MTS分类的无监督域适应任务已成为关键挑战。然而，对于MTS数据，变量之间的相关性往往在不同域之间变化，而大多数现有针对MTS分类的无监督域适应工作已忽略了这一关键特征。为填补这一差距，我们引入了一种新的域迁移，即相关性偏移，衡量域之间在多变量相关性方面的差异。为消除相关性偏移，我们提出了可扩展且参数高效的相关性适配器用于MTS(Correlation Adapter for MTS, CATS)。作为一种即插即用技术，CATS与各种Transformer变体兼容，CATS采用时序卷积捕获局部时序模式，并使用图注意力模块建模变化的多变量相关性。该适配器重新加权目标相关性，以对齐源相关性，并获得理论保证的精度。进一步提出了相关性对齐损失，以消除相关性偏移，绕过MTS数据非独立同分布(i.i.d.)性质的对齐挑战。在四个真实数据集上的广泛实验表明：(1)与基于Vanilla Transformer的模型相比，CATS在平均准确率上提高超过10%，而仅增加约1%的参数；(2)所有配备CATS的Transformer变体要么达到，要么超过了最先进的基线。
引用
@article{arxiv.2504.04283,
title = {CATS: Mitigating Correlation Shift for Multivariate Time Series Classification},
author = {Xiao Lin and Zhichen Zeng and Tianxin Wei and Zhining Liu and Yuzhong chen and Hanghang Tong},
journal= {arXiv preprint arXiv:2504.04283},
year = {2025}
}