面向早期时间序列分类的提前感知深度卷积网络
机器学习
2016-11-15 v1
摘要
我们提出了提前感知深度卷积网络（EA-ConvNets），这是一个端到端的深度学习框架，用于时间序列数据的早期分类。与大多数现有的早期时间序列分类方法不同，这些方法假设已有一组良好的预定义（通常是手工设计的）特征，我们的框架可以联合执行特征学习（通过学习一个深层的 shapelets 层次结构来捕捉每个时间序列中的显著特征），并配合一个动态截断模型，使我们的深度特征学习架构能够聚焦于每个时间序列的早期部分。因此，我们的框架能够做出高度可靠的早期预测，性能优于各种最先进的早期时间序列分类方法，同时在与处理完全观测时间序列数据的最先进时间序列分类算法相比时也具备竞争力。据我们所知，该框架是首个在早期时间序列分类背景下进行数据驱动（深度）特征学习的工作。我们在多个基准数据集上进行了全面的实验，结果表明我们的方法比各种为早期时间序列分类设计的最先进方法产生了显著更好的预测。除了获得高准确率外，我们的实验还表明，学习到的基于深度 shapelets 的特征也具有高度的可解释性，有助于更好地理解时间序列数据的底层特性。
引用
@article{arxiv.1611.04578,
title = {Earliness-Aware Deep Convolutional Networks for Early Time Series Classification},
author = {Wenlin Wang and Changyou Chen and Wenqi Wang and Piyush Rai and Lawrence Carin},
journal= {arXiv preprint arXiv:1611.04578},
year = {2016}
}