用于时间序列分类的混合型多面表示学习架构
机器学习
2020-12-22 v1
摘要
时间序列分类问题存在于许多领域，已被探索数十年。然而，它们在准确率和效率方面对真实世界应用仍具挑战，其解决方案有待进一步改进。本文提出一种称为自注意力循环卷积网络（SARCoN）的混合神经架构，以学习单变量时间序列的多面表示。SARCoN 是长短期记忆网络与自注意力机制及全卷积网络的结合，二者并行工作以从不同视角学习单变量时间序列的表示。所提架构的组件模块以端到端方式联合训练，并以协作方式对输入时间序列分类。由于其领域无关特性，SARCoN 能够泛化多样的领域任务。我们的实验结果表明，与最先进的时间序列分类方法相比，所提架构在来自 UCR 仓库的一组单变量时间序列基准上取得了显著改进。此外，所提架构中的自注意力与全局平均池化通过促进原始时间序列贡献区域的识别，实现了可见的可解释性。整体分析证实，时间序列的多面表示有助于捕捉复杂时间序列内深层的时间关联，这对提升时间序列分类性能至关重要。我们的工作提供了一个深化时间序列分类理解的新角度，使所提模型成为真实世界应用的理想选择。
引用
@article{arxiv.2012.11472,
title = {Multi-Faceted Representation Learning with Hybrid Architecture for Time Series Classification},
author = {Zhenyu Liu and Jian Cheng},
journal= {arXiv preprint arXiv:2012.11472},
year = {2020}
}