少样本时间序列的可解释分类
机器学习
2020-07-03 v2 机器学习
摘要
近期的少样本学习工作聚焦于训练一个带有先验元知识的模型,以快速适应具有未见类别与样本的新任务。然而,传统的时间序列分类算法难以应对少样本场景。现有的少样本学习方法针对图像或文本数据提出,且大多为缺乏可解释性的基于神经网络的模型。本文提出一种可解释的基于神经网络的框架,即双原型形状子网络(Dual Prototypical Shapelet Networks, DPSN),用于少样本时间序列分类,其不仅训练基于神经网络的模型,还从双重粒度解释模型:1) 使用代表性时间序列样本的全局概览,以及 2) 使用判别性形状子的局部高亮。特别地,所生成的双重原型形状子由代表性样本(能最大程度展示类中所有样本的整体形状)与判别性局部长度形状子(可用于区分不同类)组成。我们从公开基准数据集推导出 18 个少样本时间序列分类(TSC)数据集,并与基线比较评估所提方法。DPSN 框架优于最先进(state-of-the-art, SOTA)的时间序列分类方法,尤其在训练数据量有限时。若干案例研究展示了我们模型的可解释能力。
引用
@article{arxiv.2006.02031,
title = {Interpretable Time-series Classification on Few-shot Samples},
author = {Wensi Tang and Lu Liu and Guodong Long},
journal= {arXiv preprint arXiv:2006.02031},
year = {2020}
}
备注
Accepted to IJCNN 2020