智能增强对比张量分解：赋能低数据环境下的多维时间序列分类
机器学习
2025-05-16 v2 人工智能
摘要
对来自真实世界系统的多维时间序列进行分类，需要细粒度地学习复杂特征，如跨维度依赖性和类内变化——所有这些都面临低训练数据可用性的实际挑战。然而，标准深度学习（DL）在低数据环境中由于模型过拟合而难以学习可泛化的特征。我们提出一个通用且数据高效的框架——智能增强对比张量分解（ITA-CTF），以从多维时间序列中学习有效的表示。CTF 模块学习时间序列的核心解释成分（例如，传感器因子、时间因子），以及重要的是，它们的联合依赖关系。值得注意的是，与标准张量分解（TF）不同，CTF 模块引入了一种新的对比损失优化，以在学习到的表示中引入相似性学习和类感知，从而获得更好的分类性能。为加强这种对比学习，前置的 ITA 模块生成有针对性但信息丰富的增强，这些增强在保留类别属性的同时，突出原始数据中真实的类内模式。这是通过动态采样一个“软”类原型来指导每个查询数据样本的变形来实现的，从而产生一个在“软”类原型和查询样本之间智能模式混合的增强。这些增强使 CTF 模块能够在有限的原始训练数据下识别复杂的类内变化，并寻找不变的类别属性以实现准确的分类性能。所提出的方法在五个不同的分类任务上进行了全面评估。与标准 TF 和几个 DL 基准相比，性能提升显著，最高达 18.7%。
引用
@article{arxiv.2505.03825,
title = {Intelligently Augmented Contrastive Tensor Factorization: Empowering Multi-dimensional Time Series Classification in Low-Data Environments},
author = {Anushiya Arunan and Yan Qin and Xiaoli Li and Yuen Chau},
journal= {arXiv preprint arXiv:2505.03825},
year = {2025}
}
备注
Accepted in Expert Systems with Applications (DOI:https://doi.org/10.1016/j.eswa.2025.127889)