MTM：用于非规则多元时间序列分类的多尺度令牌混合 Transformer
机器学习
2025-09-23 v1
摘要
非规则多元时间序列（IMTS）的特征是其不同通道之间缺乏同步观测。本论文指出，这种通道间异步性可能导致现有深度学习方法的通道建模效果不佳。为克服这一局限，我们提出 MTM，一种用于 IMTS 分类的多尺度令牌混合 Transformer。我们发现通道间异步性可通过将时间序列下采样到更粗时间尺度来缓解，并提出在 MTM 中引入掩码拼接池化以逐步下采样 IMTS 来增强通道注意力模块。同时，我们提出一种新颖的逐通道令牌混合机制，主动从一个通道中选择重要令牌并将其与其他通道混合，以进一步提升模型的通道学习能力。通过在真实数据集上的广泛实验并与最先进方法进行比较，我们证明 MTM 在所有基准测试上持续取得最佳性能，分类 AUPRC 提升高达 3.8%。
引用
@article{arxiv.2509.17809,
title = {MTM: A Multi-Scale Token Mixing Transformer for Irregular Multivariate Time Series Classification},
author = {Shuhan Zhong and Weipeng Zhuo and Sizhe Song and Guanyao Li and Zhongyi Yu and S. -H. Gary Chan},
journal= {arXiv preprint arXiv:2509.17809},
year = {2025}
}
备注
KDD 2025