用于时间序列分类的 LSTM 全卷积网络
机器学习
2018-03-20 v1 机器学习
摘要
全卷积神经网络 (FCN) 已被证明在时间序列序列分类任务上实现了最先进 (SOTA) 的性能。我们提出用长短期记忆循环神经网络 (LSTM RNN) 子模块增强全卷积网络，用于时间序列分类。我们提出的模型显著提升了全卷积网络的性能，同时模型大小仅有名义上的增加，并且需要对数据集进行极少的预处理。所提出的长短期记忆全卷积网络 (LSTM-FCN) 与其他方法相比实现了最先进的性能。我们还探索了使用注意力机制来改进时间序列分类，即注意力长短期记忆全卷积网络 (ALSTM-FCN)。利用注意力机制可以可视化 LSTM 单元的决策过程。此外，我们提出微调作为一种增强训练模型性能的方法。文中提供了对我们模型性能的整体分析，并与其他技术进行了比较。
引用
@article{arxiv.1709.05206,
title = {LSTM Fully Convolutional Networks for Time Series Classification},
author = {Fazle Karim and Somshubra Majumdar and Houshang Darabi and Shun Chen},
journal= {arXiv preprint arXiv:1709.05206},
year = {2018}
}
备注
7 pages, 3 figures and 2 tables