面向少样本时间序列分类的元学习
机器学习
2021-03-05 v3 机器学习
摘要
深度神经网络（DNNs）在时间序列分类（TSC）任务上已取得最先进的结果。在本工作中，我们关注于在经常遇到的实际场景中利用 DNNs，该场景中标记训练数据难以获取，且 DNNs 易于过拟合。我们利用基于梯度的元学习的最新进展，提出一种方法，训练一个带有卷积层的残差神经网络作为少样本 TSC 的元学习智能体。该网络在从多个领域（例如医疗健康、活动识别等）采样的多样化少样本任务上进行训练，从而能够仅使用来自目标任务的少量训练样本解决另一领域的目标任务。大多数现有元学习方法在实践中受限，因为它们假设各任务的目标类别数固定。我们克服了这一限制，以跨领域训练一个通用智能体，其中每个领域具有不同数量的目标类别，为此我们采用了基于三元组损失的学习过程，该过程无需对少样本 TSC 任务的类别数量施加任何约束。据我们所知，我们是首个将基于元学习的预训练用于 TSC 的。我们的方法为少样本 TSC 设立了新基准，在从 UCR TSC Archive 的 41 个数据集采样的少样本任务上优于多个强基线。我们观察到，在元学习范式下的预训练使网络能够利用少量标记实例快速适应新的未见任务。
引用
@article{arxiv.1909.07155,
title = {Meta-Learning for Few-Shot Time Series Classification},
author = {Jyoti Narwariya and Pankaj Malhotra and Lovekesh Vig and Gautam Shroff and Vishnu Tv},
journal= {arXiv preprint arXiv:1909.07155},
year = {2021}
}
备注
CoDS COMAD 2020: Proceedings of the 7th ACM IKDD CoDS and 25th COMAD