COSCO：面向少样本多变量时间序列分类的锐度感知训练框架
机器学习
2024-09-17 v1 人工智能
神经与进化计算
摘要
多变量时间序列分类是具有广泛应用领域的重要任务。最近，深度神经网络（DNN）在时间序列分类中取得了最先进的性能。然而，它们需要大量专家标注的训练数据，而在实际中往往难以获得。在少样本设置下，即训练数据中每个类别仅拥有有限的样本，DNN的测试准确率会显著下降，泛化能力也较差。本文从优化和损失函数的角度提出解决方案。具体而言，我们提出了名为COSCO的新型学习框架，包含锐度感知最小化（SAM）优化和原型损失函数，以提高DNN在少样本设置下进行多变量时间序列分类问题的泛化能力。我们的实验表明，所提方法优于现有基线方法。我们的源代码已公开：https://github.com/JRB9/COSCO。
引用
@article{arxiv.2409.09645,
title = {COSCO: A Sharpness-Aware Training Framework for Few-shot Multivariate Time Series Classification},
author = {Jesus Barreda and Ashley Gomez and Ruben Puga and Kaixiong Zhou and Li Zhang},
journal= {arXiv preprint arXiv:2409.09645},
year = {2024}
}
备注
5 pages, 5 figures, CIKM '24 Short Paper Track