对用于时间序列分类的 LSTM 全卷积网络的深入认识
机器学习
2019-07-03 v3 机器学习
摘要
长短期记忆全卷积神经网络(LSTM-FCN)和注意力 LSTM-FCN(ALSTM-FCN)已在旧版加州大学河滨分校(UCR)时间序列库上的时间序列信号分类任务中展现出最先进的性能。然而,尚无研究阐明 LSTM-FCN 和 ALSTM-FCN 为何表现良好。在本文中,我们对 LSTM-FCN 和 ALSTM-FCN 进行了一系列消融测试(3627 次实验),以更好地理解该模型及其各子模块。ALSTM-FCN 和 LSTM-FCN 上的消融测试结果表明,LSTM 与 FCN 模块在联合应用时表现更佳。我们比较了两种 z-归一化技术(对每个样本独立进行 z-归一化与对整个数据集进行 z-归一化),使用 Wilcoxson 符号秩检验显示出性能的统计学差异。此外,我们通过比较维度洗牌未被应用时的 LSTM-FCN 与其性能,提供了维度洗牌对 LSTM-FCN 影响的认识。最后,我们展示了当 LSTM 模块被 GRU、基础 RNN 和 Dense Block 替换时 LSTM-FCN 的性能。
引用
@article{arxiv.1902.10756,
title = {Insights into LSTM Fully Convolutional Networks for Time Series Classification},
author = {Fazle Karim and Somshubra Majumdar and Houshang Darabi},
journal= {arXiv preprint arXiv:1902.10756},
year = {2019}
}
备注
8 pages, 4 tables, 1 figure