时间序列的类增量学习：基准与评估
机器学习
2024-08-06 v2 人工智能
摘要
现实世界环境本质上是非平稳的，经常随时间引入新类别。这在时间序列分类中尤为常见，例如医疗保健中新疾病分类的出现或人类活动识别中新活动的添加。在这种情况下，学习系统需要有效吸收新类别，同时避免对旧类别的灾难性遗忘，这引出了类增量学习（CIL）问题。然而，尽管在图像和语言领域取得了令人鼓舞的进展，时间序列数据的CIL研究仍然相对不足。现有研究存在实验设计不一致的问题，因此需要在广泛的数据集上对方法进行全面评估和基准测试。为此，我们首先概述了时间序列类增量学习（TSCIL）问题，强调了其独特挑战，并涵盖了先进的方法论。进一步地，基于标准化设置，我们开发了一个统一的实验框架，支持新算法的快速开发、新数据集的轻松集成以及评估过程的标准化。利用该框架，我们在标准场景和隐私敏感场景下对各种通用和时间序列特定的CIL方法进行了全面评估。我们的大量实验不仅为未来研究提供了标准基线，还揭示了各种设计因素（如归一化层或内存预算阈值）的影响。代码可在 https://github.com/zqiao11/TSCIL 获取。
引用
@article{arxiv.2402.12035,
title = {Class-incremental Learning for Time Series: Benchmark and Evaluation},
author = {Zhongzheng Qiao and Quang Pham and Zhen Cao and Hoang H Le and P. N. Suganthan and Xudong Jiang and Ramasamy Savitha},
journal= {arXiv preprint arXiv:2402.12035},
year = {2024}
}
备注
Accepted by SIGKDD 2024 (ADS track). Codes available at https://github.com/zqiao11/TSCIL