跨通道与时间维度的多元时间序列早期分类
机器学习
2023-06-27 v1 人工智能
摘要
如今，在边缘设备上部署深度学习模型以解决现实世界分类问题正变得愈发普遍。此外，早期分类这一技术在时间序列分析领域日益流行：它仅在观测到输入数据的早期部分后即进行分类，旨在降低通信与计算需求，而这些正是边缘智能环境中的关键参数。尽管时间序列分析中的早期分类已被广泛研究，现有面向多元时间序列问题的方案主要聚焦于时间维度上的早期分类，并以整体方式处理多个输入通道。本研究提出一种更灵活的早期分类流程，对输入通道给予更细粒度的考量，并将早期分类范式拓展至通道维度。为实现该方法，我们利用强化学习技术并引入约束以确保目标的可行性与实用性。为验证其有效性，我们使用合成数据开展实验，并在真实数据集上评估其性能。全面的实验结果表明，对于多个数据集，我们的方法能在相同输入利用率下以更高准确率实现早期分类范式增强。
引用
@article{arxiv.2306.14606,
title = {Multivariate Time Series Early Classification Across Channel and Time Dimensions},
author = {Leonardos Pantiskas and Kees Verstoep and Mark Hoogendoorn and Henri Bal},
journal= {arXiv preprint arXiv:2306.14606},
year = {2023}
}