用于时序数据子序列分类的自我网络Transformer
机器学习
2023-11-07 v1 人工智能
摘要
时序分类是时序数据挖掘领域中被广泛研究的问题。以往研究主要集中于相关或前景子序列已被提取、且每个子序列对应单一标签的场景。然而，真实世界时序数据常包含与背景子序列交织在一起的前景子序列。成功分类这些相关子序列不仅需区分不同类别，还需在背景中准确识别前景子序列。为应对此挑战，我们提出一种新颖的子序列分类方法，将每个子序列表示为一个自我网络，为模型提供关键的近邻信息。所有子序列的自我网络共同构成时序子序列图，我们引入一种算法高效构建该图。此外，我们证明了在子序列分类问题中对相邻子序列预测施加时间一致性的重要性。为评估方法有效性，我们使用128个单变量和30个多变量时序数据集进行实验。实验结果表明我们的方法优于对比方法，具体而言，在158个数据集中有104个优于基线。
引用
@article{arxiv.2311.02561,
title = {Ego-Network Transformer for Subsequence Classification in Time Series Data},
author = {Chin-Chia Michael Yeh and Huiyuan Chen and Yujie Fan and Xin Dai and Yan Zheng and Vivian Lai and Junpeng Wang and Zhongfang Zhuang and Liang Wang and Wei Zhang and Eamonn Keogh},
journal= {arXiv preprint arXiv:2311.02561},
year = {2023}
}