利用八度卷积层改进时间序列分类算法
机器学习
2021-09-29 v1
摘要
利用卷积层的深度学习模型在单变量时间序列分类任务上取得了最先进的性能。本文中，我们提出通过采用八度卷积（OctConv）来改进基于 CNN 的时间序列分类器，使其超越自身原有表现。这些网络架构包括全卷积网络（FCN）、残差神经网络（ResNets）、LSTM-全卷积网络（LSTM-FCN）以及注意力 LSTM-全卷积网络（ALSTM-FCN）。所提层以极小的网络参数增加显著改进了上述各个模型。本文通过实验表明，以 OctConv 替换卷积，可在多数基准数据集上显著提升时间序列分类任务的准确率。此外，更新后的 ALSTM-OctFCN 在统计上与排名前两位的时间序列分类器 TS-CHIEF 和 HIVE-COTE（均为集成模型）表现相当。为进一步探究 OctConv 层的影响，我们对增强模型与其基础模型进行了消融实验。
引用
@article{arxiv.2109.13696,
title = {Improving Time Series Classification Algorithms Using Octave-Convolutional Layers},
author = {Samuel Harford and Fazle Karim and Houshang Darabi},
journal= {arXiv preprint arXiv:2109.13696},
year = {2021}
}
备注
13 pages, 5 figures, 4 tables