利用 Floss 增强周期时间序列的表示学习：一种频域正则化方法
机器学习
2023-09-06 v4 人工智能
摘要
时间序列分析是多个应用领域中的一项基础任务，深度学习方法已在该领域展现出卓越性能。然而，许多真实世界的时间序列数据表现出显著的周期或准周期动态，现有基于深度学习的方案往往未能充分捕捉这些动态，导致对所关注底层动态行为的不完整表示。为弥补这一不足，我们提出一种称为 Floss 的无监督方法，可在频域中自动正则化学习到的表示。Floss 方法首先从时间序列中自动检测主要周期，随后采用周期平移与谱密度相似性度量来学习具有周期一致性的有意义表示。此外，Floss 可轻松集成到监督、半监督和无监督学习框架中。我们在常见的时间序列分类、预测与异常检测任务上进行了大量实验，以证明 Floss 的有效性。我们将 Floss 融入若干代表性深度学习方案中，以佐证我们的设计选择，并表明其能够自动发现周期动态并改进最先进的深度学习模型。
引用
@article{arxiv.2308.01011,
title = {Enhancing Representation Learning for Periodic Time Series with Floss: A Frequency Domain Regularization Approach},
author = {Chunwei Yang and Xiaoxu Chen and Lijun Sun and Hongyu Yang and Yuankai Wu},
journal= {arXiv preprint arXiv:2308.01011},
year = {2023}
}
备注
12 pages