MTS2Graph：基于时间演化图的可解释多元时间序列分类
机器学习
2023-06-07 v1 人工智能
摘要
基于模式袋或形状基元（shapelets）的传统时间序列分类方法，在处理来自高维多元数据的大量特征候选时面临显著挑战。相比之下，深度神经网络可高效学习低维特征，尤其是卷积神经网络（CNN）在多元时间序列（MTS）数据分类中展现出良好结果。深度神经网络成功的一个关键因素在于其惊人的表达能力。然而，这一能力以复杂、黑箱模型为代价，与构建可靠且人类可理解的模型目标相冲突。理解此类预测深度模型的一个重要准则在于量化时变输入变量对分类的贡献。因此，本工作中我们引入一种新框架，通过提取并聚类高度激活 CNN 神经元的输入代表性模式来解释多元时间序列数据。由此，我们考虑 MTS 输入中所有可能的信号组合，识别各信号的作用与依赖关系。随后，我们构建图以捕捉各层提取模式间的时间关系。一种有效的图合并策略寻找每个节点与上一层节点的连接。最后，图嵌入算法生成所创建可解释时间序列特征的新表示。为评估所提框架性能，我们在 UCR/UEA 档案的八个数据集及 HAR 与 PAM 数据集上进行了广泛实验。实验表明，我们基于时间感知图的表示在 MTS 分类中有益，同时增强了可解释性。
引用
@article{arxiv.2306.03834,
title = {MTS2Graph: Interpretable Multivariate Time Series Classification with Temporal Evolving Graphs},
author = {Raneen Younis and Abdul Hakmeh and Zahra Ahmadi},
journal= {arXiv preprint arXiv:2306.03834},
year = {2023}
}