面向可变输入维度的多元时间序列任务的持续学习

我们考虑一系列相关的多元时间序列学习任务，例如从不同机器多传感器时间序列数据预测其故障，或基于多个可穿戴传感器对不同个体进行活动识别。我们聚焦于此类场景中两个未被充分探索的实际挑战：(i) 每个任务可能具有不同子集的传感器，即提供底层“系统”的不同部分观测。前一情形可能源于不同制造商，后一情形则因人佩戴更多或更少测量设备所致；(ii) 一旦在任务层面观测到某任务数据，我们不允许存储或重新访问。前者可能因机器所有者的隐私考量或法律限制。尽管如此，我们仍希望 (a) 利用已完成任务的经验提升后续任务性能，以及 (b) 在过往任务上持续表现更优，例如从后续观测任务学习后更新模型并改善对甚至第一台机器的预测。我们注意到，现有持续学习方法未考虑因各任务可用传感器子集不同而引起的输入维度变异性，难以适应此类可变输入维度（VID）任务。本工作中，我们弥补现有方法的这一不足。为此，我们学习任务特定的生成模型与分类器，并用其增强目标任务数据。由于跨任务输入维度不同，我们提出一种基于图神经网络的新型条件模块以辅助标准循环神经网络。我们在三个公开数据集上评估所提方法的有效性，对应两个活动识别任务（分类）与一个预后任务（回归）。