面向时间序列连续分类的置信度引导学习过程
机器学习
2022-08-16 v1
摘要
在现实世界中,时间序列的类别通常在最终时刻才被标注,但许多应用要求在每一个时间点对时间序列进行分类。例如,危重病人的结局仅在最后确定,但应随时对其进行诊断以及时治疗。因此,我们提出一个新概念:时间序列连续分类(Continuous Classification of Time Series, CCTS)。它要求模型学习不同时间阶段的数据。但时间序列动态演化,导致数据分布不同。当模型学习多分布时,总会遗忘或过拟合。我们指出,基于一个有意义的观察,合理的学习调度具有潜力:以置信度衡量,模型学习多分布的过程类似于人类学习多种知识的过程。因此,我们提出一种新颖的面向 CCTS 的置信度引导方法(C3TS)。它能模仿由邓宁-克鲁格效应描述的交替人类置信度。我们定义目标置信度来安排数据,以及自我置信度来控制学习时长。在四个真实数据集上的实验表明,C3TS 在 CCTS 上比所有基线更准确。
引用
@article{arxiv.2208.06883,
title = {Confidence-Guided Learning Process for Continuous Classification of Time Series},
author = {Chenxi Sun and Moxian Song and Derun Can and Baofeng Zhang and Shenda Hong and Hongyan Li},
journal= {arXiv preprint arXiv:2208.06883},
year = {2022}
}
备注
20 pages, 12 figures