DCSF：用于异步时间序列分类的深度卷积集函数
机器学习
2022-08-25 v1
摘要
异步时间序列是一种多变量时间序列，其所有通道均异步独立观测，使得在对齐时时间序列极为稀疏。我们常在具有复杂观测过程的应用中观察到此现象，例如医疗、气候科学和天文学等。由于其异步特性，它们对深度学习架构提出了重大挑战，后者假定所呈现的时间序列是规则采样、完全观测且时间对齐的。本文提出一种称为深度卷积集函数 (DCSF) 的新框架，其高度可扩展且内存高效，用于异步时间序列分类任务。借助深度集学习架构的最新进展，我们引入了一种对其所呈现的时间序列通道顺序保持不变的模型。我们探索了在密切相关问题——规则采样且完全观测的时间序列分类中已被充分研究的卷积神经网络，用于编码集合元素。我们评估了 DCSF 在 AsTS 分类和在线（每时间点）AsTS 分类上的表现。我们在多个真实世界和合成数据集上的大量实验证实，所提模型在准确率和运行时间上均显著优于一系列 SOTA 模型。
引用
@article{arxiv.2208.11374,
title = {DCSF: Deep Convolutional Set Functions for Classification of Asynchronous Time Series},
author = {Vijaya Krishna Yalavarthi and Johannes Burchert and Lars Schmidt-Thieme},
journal= {arXiv preprint arXiv:2208.11374},
year = {2022}
}