LightTS：基于自适应集成蒸馏的轻量级时间序列分类——扩展版
机器学习
2023-08-08 v1 数据库
摘要
由于流程的广泛数字化，越来越多的时间序列数据被产生。此类时间序列的准确分类有助于多个领域的决策。最先进的分类精度通常由集成学习实现，其结果是综合多个基模型而得。该特性意味着集成学习需要大量计算资源，阻碍了其在资源受限环境（如边缘设备）中的使用。为扩展集成学习的适用性，我们提出 LightTS 框架，在确保具有竞争力的精度的同时将大型集成压缩为轻量级模型。首先，我们提出自适应集成蒸馏，为不同基模型分配自适应权重，使其各异的分类能力有目的地贡献于轻量级模型的训练。其次，我们提出识别关于模型精度与模型大小的帕累托最优设置的方法，从而使用户在给定空间预算下可选择最精确的轻量级模型。我们报告了使用 128 个真实世界时间序列集及不同类型基模型的实验，这些实验论证了 LightTS 设计中的关键决策，并证明 LightTS 能够超越竞争对手。
引用
@article{arxiv.2302.12721,
title = {LightTS: Lightweight Time Series Classification with Adaptive Ensemble Distillation -- Extended Version},
author = {David Campos and Miao Zhang and Bin Yang and Tung Kieu and Chenjuan Guo and Christian S. Jensen},
journal= {arXiv preprint arXiv:2302.12721},
year = {2023}
}
备注
15 pages. An extended version of "LightTS: Lightweight Time Series Classification with Adaptive Ensemble Distillation" accepted at SIGMOD 2023