用于时间序列分类的可学习动态时间池化
机器学习
2021-04-07 v1 人工智能
摘要
随着可用时间序列数据的增加，预测其类标签已成为广泛学科中最重要的挑战之一。近期关于时间序列分类的研究表明，卷积神经网络（CNN）作为单一分类器取得了最先进的性能。本工作中，针对现有 CNN 分类器通常采用的全局池化层丢弃了高层特征的时间信息这一问题，我们提出一种动态时间池化（DTP）技术，通过聚合段级特征来缩减隐藏表示的时间尺寸。对于将整个序列划分为多个段，我们利用动态时间规整（DTW）将时间顺序中的每个时间点与段的原型特征对齐，这可与 CNN 分类器的网络参数同时优化。DTP 层与全连接层结合，有助于考虑输入时间序列内时间位置提取更具判别性的特征。在单变量和多变量时间序列数据集上的大量实验表明，我们提出的池化显著提升了分类性能。
引用
@article{arxiv.2104.02577,
title = {Learnable Dynamic Temporal Pooling for Time Series Classification},
author = {Dongha Lee and Seonghyeon Lee and Hwanjo Yu},
journal= {arXiv preprint arXiv:2104.02577},
year = {2021}
}
备注
AAAI 2021. 7 pages + references (2 pages). 8 figures