面向多视图时间序列分类的相关通道感知融合
机器学习
2020-11-24 v2 人工智能
机器学习
摘要
多视图时间序列分类（MVTSC）旨在通过融合来自多个视图的独特时间信息来提升性能。现有方法主要侧重于在早期阶段融合多视图信息，例如通过学习多个视图间的公共特征子空间。然而，这些早期融合方法可能无法充分挖掘复杂时间序列中每个视图独有的时间模式。此外，对于 MVTSC 问题，多个视图的标签相关性这一对提升性能至关重要的因素通常未被充分探索。为解决上述问题，我们提出了一种相关通道感知融合（C2AF）网络。首先，C2AF 通过双流结构化编码器为每个视图提取全面且鲁棒的时间模式，并利用基于图的关联矩阵捕获视图内与视图间的标签相关性。其次，通过卷积神经网络实现通道感知可学习融合机制，以进一步探索全局相关模式。这两个步骤在所提出的 C2AF 网络中端到端训练。在三个真实数据集上的大量实验结果证明了我们的方法优于最先进的（SOTA）方法。我们还提供了详细的消融实验以展示各模型组件的有效性。
引用
@article{arxiv.1911.11561,
title = {Correlative Channel-Aware Fusion for Multi-View Time Series Classification},
author = {Yue Bai and Lichen Wang and Zhiqiang Tao and Sheng Li and Yun Fu},
journal= {arXiv preprint arXiv:1911.11561},
year = {2020}
}