基于层次化变分图池化的多元时间序列分类
机器学习
2021-11-09 v2 人工智能
摘要
随着传感技术的发展，多元时间序列分类（MTSC）近来受到相当关注。现有基于深度学习的 MTSC 技术大多依赖卷积或循环神经网络，主要关注单一时间序列的时间依赖性。因此，它们难以直接表达多元变量间的成对依赖关系。此外，当前基于图神经网络（GNNs）的时空建模（如图形分类）方法本质上是扁平的，无法以层次化方式聚合枢纽数据。为克服这些局限，我们提出一种新颖的基于图池化的框架 MTPool，以获取 MTS 具有表达力的全局表示。我们首先通过图结构学习模块利用变量间交互将 MTS 切片转换为图，并通过时间卷积模块获得时空图节点特征。为得到全局图级表示，我们设计了一个基于“编码器-解码器”的变分图池化模块，用于为聚类分配创建自适应质心。随后我们将 GNNs 与我们提出的变分图池化层结合，进行联合图表示学习与图粗化，此后图被逐步粗化至一个节点。最后，一个可微分类器使用该粗化表示得到最终预测类别。在十个基准数据集上的实验表明，MTPool 在 MTSC 任务上优于最先进的策略。
引用
@article{arxiv.2010.05649,
title = {Multivariate Time Series Classification with Hierarchical Variational Graph Pooling},
author = {Ziheng Duan and Haoyan Xu and Yueyang Wang and Yida Huang and Anni Ren and Zhongbin Xu and Yizhou Sun and Wei Wang},
journal= {arXiv preprint arXiv:2010.05649},
year = {2021}
}