Con4m：面向分段时序分类的上下文感知一致性学习框架
人工智能
2025-04-24 v3
摘要
时序分类 (TSC) 包含两种设置：对整个序列进行分类或对分段子序列进行分类。分段 TSC 的原始时序数据通常包含多个类别且每个类别的持续时间各异 (MVD)。因此，MVD 的特征在分段 TSC 中提出了独特挑战，却被现有研究大大忽略。具体而言，连续要分类的实例 (分段) 之间存在自然的时序依赖关系。然而，主流 TSC 模型依赖于独立同分布 (i.i.d.) 的假设，侧重于独立建模每个分段。此外，不同专业背景的注释者可能提供不一致的边界标签，导致噪声自由 TSC 模型性能不稳定。为解决这些挑战，我们首先正式表明，有价值的上下文信息增强了分类实例的判别能力。利用 MVD 在数据和标签水平上的上下文先验，我们提出一种新颖的一致性学习框架 Con4m，有效利用有利于判别连续分段的上下文信息，同时协调训练中的不一致边界标签。广泛的实验跨多个数据集验证了 Con4m 在处理 MVD 上分段 TSC 任务方面的有效性。源代码可在 https://github.com/MrNobodyCali/Con4m 获取。
引用
@article{arxiv.2408.00041,
title = {Con4m: Context-aware Consistency Learning Framework for Segmented Time Series Classification},
author = {Junru Chen and Tianyu Cao and Jing Xu and Jiahe Li and Zhilong Chen and Tao Xiao and Yang Yang},
journal= {arXiv preprint arXiv:2408.00041},
year = {2025}
}