基于网络剪枝的多变量时间序列特征选择
机器学习
2022-02-08 v3 人工智能
摘要
近年来，各个领域中的多变量时间序列（MTS）数据量不断增长，通常由可穿戴设备等大量传感器生成。这促使了 MTS 数据上新型学习方法的发展，其中深度学习模型主导了最新进展。已有文献主要聚焦于设计新的网络架构以建模 MTS 内的时间依赖关系。然而，一个较少被研究的挑战与 MTS 数据的高维性相关。在本文中，我们提出一种新颖的神经组件，即神经特征选择器（NFS），作为 MTS 数据特征选择的端到端解决方案。具体而言，NFS 基于分解卷积设计并包含两个模块：首先，MTS 内的每个特征流（一个流对应 MTS 的一条单变量序列）由时间 CNN 独立处理；随后一个聚合 CNN 将处理后的流组合以产生供其他下游网络使用的输入。我们在四个真实世界 MTS 数据集上评估了所提出的 NFS 模型，发现其在提供特征选择优势的同时取得了与最先进方法相当的结果。我们的论文还强调了使用 NFS 进行特征选择相较于近期基于自编码器方法的鲁棒性与有效性。
引用
@article{arxiv.2102.06024,
title = {Feature Selection for Multivariate Time Series via Network Pruning},
author = {Kang Gu and Soroush Vosoughi and Temiloluwa Prioleau},
journal= {arXiv preprint arXiv:2102.06024},
year = {2022}
}
备注
In ICDM 2021 Workshop on Systematic Feature Engineering for Time-Series Data Mining (SFE-TSDM)