LB-SimTSC：一种高效的相似性感知图神经网络用于半监督时间序列分类
机器学习
2023-09-08 v3 人工智能
摘要
时间序列分类是一项重要的数据挖掘任务，在过去二十年中受到了广泛关注。由于实践中标签稀缺，仅使用少量标注样本的半监督时间序列分类已变得流行。近来，相似性感知时间序列分类（SimTSC）被提出，通过在由批量数据两两动态时间规整（DTW）距离生成的图上使用图神经网络分类模型来解决该问题。它展现出优异的准确率，并在多个少标签设定下优于最先进的深度学习模型。然而，由于SimTSC依赖于两两DTW距离，DTW的二次复杂度将其可用性限制为仅适用于规模合理的数据集。为应对这一挑战，我们提出了一种高效的新型半监督时间序列分类技术LB-SimTSC，其带有一个新的图构建模块。我们提议利用DTW的下界LB_Keogh而非DTW，以线性时间近似实例间的不相似度，同时保留通过DTW计算所能获得的相对邻近关系。我们使用LB_Keogh构建两两距离矩阵并为图神经网络建图。我们将该方法应用于著名UCR时间序列分类档案中最大的十个数据集。结果表明，在大型数据集上构建图时，该方法可比SimTSC快达104倍，且不会显著降低分类准确率。
引用
@article{arxiv.2301.04838,
title = {LB-SimTSC: An Efficient Similarity-Aware Graph Neural Network for Semi-Supervised Time Series Classification},
author = {Wenjie Xi and Arnav Jain and Li Zhang and Jessica Lin},
journal= {arXiv preprint arXiv:2301.04838},
year = {2023}
}
备注
Accpeted by DLG-AAAI'23