通过对抗正则化学习可解释 shapelet 以用于时间序列分类
机器学习
2019-06-13 v2 人工智能
机器学习
摘要
时间序列分类可通过联合学习数据集中序列基于 shapelet 的表示，并依据该表示对序列进行分类来成功解决。然而，尽管学习到的 shapelet 具有判别性，它们并不总是与数据集中真实序列的片段相似。这使得决策难以解释，即难以分析序列中是否存在触发决策的特定行为。在本文中，我们利用一个简单的卷积网络处理时间序列分类任务，并引入一种对抗正则化来约束模型学习更具可解释性的 shapelet。我们在所有常用时间序列基准上的分类结果与类似 SOTA 算法所得结果相当，但我们这种对抗正则化方法学习到的 shapelet 在设计上即可解释。
引用
@article{arxiv.1906.00917,
title = {Learning Interpretable Shapelets for Time Series Classification through Adversarial Regularization},
author = {Yichang Wang and Rémi Emonet and Elisa Fromont and Simon Malinowski and Etienne Menager and Loïc Mosser and Romain Tavenard},
journal= {arXiv preprint arXiv:1906.00917},
year = {2019}
}
备注
submitted to CIKM2019