面向时间序列分类的深度半监督学习
机器学习
2022-02-17 v2
摘要
尽管半监督学习在计算机视觉的图像数据上获得了大量关注,但关于其在时间序列领域适用性的研究仍然有限。本工作中,我们研究最先进的深度半监督模型从图像到时间序列分类的可迁移性。我们讨论必要的模型适配,特别是合适的模型骨干架构和定制数据增强策略的使用。基于这些适配,我们通过在具有不同标记样本量的大型公共时间序列分类问题上评估我们的方法,探索深度半监督学习在时间序列分类中的潜力。我们在一项明确现实且恰当的评估方案下,以所有考虑算法的统一重实现进行广泛比较,而该领域尚缺乏此做法。我们发现这些迁移的半监督模型相比强监督、半监督和自监督替代方案显示出显著性能提升,尤其是在标记样本极少的情形下。
引用
@article{arxiv.2102.03622,
title = {Deep Semi-Supervised Learning for Time Series Classification},
author = {Jann Goschenhofer and Rasmus Hvingelby and David Rügamer and Janek Thomas and Moritz Wagner and Bernd Bischl},
journal= {arXiv preprint arXiv:2102.03622},
year = {2022}
}