用于时间序列分类的动态稀疏网络：学习“看”什么
机器学习
2022-12-21 v1 人工智能
摘要
感受野（RF）决定了时间序列中被“看”并使用的区域，对提升时间序列分类（TSC）性能至关重要。然而，时间序列数据间及数据内信号尺度的变化，使得为 TSC 确定合适的 RF 尺寸颇具挑战。本文提出一种具有稀疏连接的动态稀疏网络（DSN）用于 TSC，其可学习覆盖多种 RF 而无需繁琐的超参数调优。各稀疏层中的核是稀疏的，并可在约束区域内通过动态稀疏训练进行探索，从而有望降低资源开销。实验结果表明，所提 DSN 模型在单变量与多变量 TSC 数据集上均以低于近期基线方法 50% 的计算成本取得 SOTA 性能，为面向时间序列分析的更精确资源感知方法开辟了路径。我们的代码公开于：https://github.com/QiaoXiao7282/DSN。
引用
@article{arxiv.2212.09840,
title = {Dynamic Sparse Network for Time Series Classification: Learning What to "see''},
author = {Qiao Xiao and Boqian Wu and Yu Zhang and Shiwei Liu and Mykola Pechenizkiy and Elena Mocanu and Decebal Constantin Mocanu},
journal= {arXiv preprint arXiv:2212.09840},
year = {2022}
}
备注
Accepted at Neural Information Processing Systems (NeurIPS 2022)