用于时间序列学习策略的课程与循环损失
机器学习
2023-12-27 v1 人工智能
摘要
时间序列广泛存在于现实世界应用中，许多深度学习模型在其上表现良好。当前研究已表明学习策略对模型的重要性，指出其益处在于学习样本的顺序和大小。然而，由于时间序列抽象且动态的构造，尚未提出有效的策略。同时，现有的时间序列一次性任务和连续任务需要不同的学习过程和机制，尚无通用的方法被提出。在本工作中，我们首次提出了一种新颖的课程与循环损失 (CRUCIAL) 用于学习时间序列。它是模型无关且任务无关的，可以直接插件式地添加到原始损失之上而无需额外过程。CRUCIAL 具有两个特点：它可以通过动态确定样本贡献和调节损失幅度来安排由易到难的学习顺序；它可以通过关联损失分布和选择概率来管理周期性变化的数据集并实现自适应周期。我们证明了与单调大小相比，循环大小可以减少期望误差。在 3 类任务和 5 个真实世界数据集上的实验表明，CRUCIAL 在大多数深度学习模型学习时间序列时具有优势。
引用
@article{arxiv.2312.15853,
title = {Curricular and Cyclical Loss for Time Series Learning Strategy},
author = {Chenxi Sun and Hongyan Li and Moxian Song and Derun Cai and Shenda Hong},
journal= {arXiv preprint arXiv:2312.15853},
year = {2023}
}
备注
23 pages, 5 figures