全尺度 CNN：一种用于时间序列分类的简洁有效卷积核尺寸配置
机器学习
2022-06-20 v3 机器学习
摘要
感受野（RF）尺寸是一维卷积神经网络（1D-CNNs）用于时间序列分类任务的最重要因素之一。为选择合适尺寸已付出大量努力，因为其对性能影响巨大且在不同数据集上差异显著。本文提出一种用于 1D-CNNs 的全尺度模块（OS-block），其卷积核尺寸由一条简单而通用的规则决定。具体而言，它是一组卷积核尺寸，通过依据时间序列长度由多个质数构成，可高效覆盖不同数据集上的最佳 RF 尺寸。实验结果表明，带有 OS-block 的模型可达到与带有搜索得到的最优 RF 尺寸的模型相近的性能；且凭借强大的最优 RF 尺寸捕捉能力，带有 OS-block 的简洁 1D-CNN 模型在四个时间序列基准（包括来自多个领域的单变量与多变量数据）上取得了最先进的（state-of-the-art）性能。综合分析与时论阐明了 OS-block 为何能跨数据集捕捉最优 RF 尺寸。代码见 [https://github.com/Wensi-Tang/OS-CNN]
引用
@article{arxiv.2002.10061,
title = {Omni-Scale CNNs: a simple and effective kernel size configuration for time series classification},
author = {Wensi Tang and Guodong Long and Lu Liu and Tianyi Zhou and Michael Blumenstein and Jing Jiang},
journal= {arXiv preprint arXiv:2002.10061},
year = {2022}
}
备注
Accepted by ICLR 2022