利用连续时间注意力策略网络在长不规则时间序列中查找短信号
机器学习
2023-02-09 v1
摘要
不规则采样时间序列（ITS）在医疗健康等高影响领域中天然存在，其中测量随时间以不均匀间隔收集。然而，对于许多分类问题，长时间序列中往往只有小部分片段与类标签相关。在这种情况下，现有的 ITS 模型常常无法对长序列进行分类，因为它们依赖于细致的插补，这容易对相关区域过采样或欠采样。基于这一认识，我们提出了 CAT，一种通过对输入序列时间线中高度相关片段进行显式搜索来对多元 ITS 进行分类的模型。CAT 通过整合三个组件实现这一点：(1) 一个时刻网络（Moment Network）使用强化学习在 ITS 的连续时间线中学习寻找相关时刻。(2) 一个受体网络（Receptor Network）对围绕预测时刻的观测及其时序的 temporal 动态进行建模。(3) 一个循环转移模型（Transition Model）对这些时刻之间的转移序列进行建模，从而培育出用于序列分类的表示。利用合成与真实数据，我们发现 CAT 通过在长不规则时间序列中查找短信号，优于十种最先进的方法。
引用
@article{arxiv.2302.04052,
title = {Finding Short Signals in Long Irregular Time Series with Continuous-Time Attention Policy Networks},
author = {Thomas Hartvigsen and Jidapa Thadajarassiri and Xiangnan Kong and Elke Rundensteiner},
journal= {arXiv preprint arXiv:2302.04052},
year = {2023}
}