InceptionTime:为时间序列分类寻找 AlexNet
机器学习
2020-12-08 v3 机器学习
摘要
本文将深度学习置于时间序列分类(TSC)研究的前沿。TSC 是机器学习中负责对时间序列进行分类(或标注)的领域。过去几十年的工作使分类器精度取得显著进展,当前最优水平由 HIVE-COTE 算法代表。尽管精度极高,HIVE-COTE 因其对含 N 条长度为 T 的时间序列的数据集具有 O(N2 * T4) 的高训练时间复杂度而无法应用于许多真实世界数据集。例如,HIVE-COTE 从一个 N = 1500、短长度 T = 46 的小数据集学习需耗时 8 天以上。与此同时,深度学习因其高精度和可扩展性受到极大关注。近期深度学习用于 TSC 的方法具有可扩展性,但精度不如 HIVE-COTE。我们提出 InceptionTime——一种受 Inception-v4 架构启发的深度卷积神经网络(CNN)模型集成。我们的实验表明,InceptionTime 在精度上与 HIVE-COTE 相当,同时具有更高的可扩展性:它不仅能在 1 小时内从 1500 条时间序列学习,还能在 13 小时内从 800 万条时间序列学习,这一数据量是 HIVE-COTE 完全无法处理的。
引用
@article{arxiv.1909.04939,
title = {InceptionTime: Finding AlexNet for Time Series Classification},
author = {Hassan Ismail Fawaz and Benjamin Lucas and Germain Forestier and Charlotte Pelletier and Daniel F. Schmidt and Jonathan Weber and Geoffrey I. Webb and Lhassane Idoumghar and Pierre-Alain Muller and François Petitjean},
journal= {arXiv preprint arXiv:1909.04939},
year = {2020}
}