基于Shapelet距离度量的多源迁移学习模型选择用于时间序列分类

迁移学习是一种常见做法，可以减轻训练神经网络所需的大量数据。它通过使用源数据集预训练模型，然后针对目标任务进行微调来执行。然而，并非每个源数据集都适合每个目标数据集，尤其是对于时间序列。在本文中，我们提出了一种新颖的方法，用于选择和使用多个数据集进行时间序列分类的迁移学习。具体来说，我们的方法将多个数据集组合成一个源数据集，用于预训练神经网络。此外，为了选择多个源，我们的方法基于shapelet发现来衡量数据集的可迁移性，以实现有效的源选择。虽然传统的可迁移性度量需要大量时间对所有可能的源进行预训练，以便为每种可能的架构进行源选择，但我们的方法可以通过一次简单的计算重复用于每种可能的架构。使用所提出的方法，我们证明了可以在时间序列数据集上提高时序卷积神经网络（CNN）的性能。