用于非规则多变量时间序列分类的单步图结构神经流
机器学习
2026-05-12 v1 人工智能
摘要
神经流通过直接用神经网络学习 ODE 解轨迹、绕过逐步数值求解器，高效地对非规则多变量时间序列进行建模。尽管其具有高效性，但许多现有方法独立处理各变量，未能充分探索变量间的交互。此外，其单步映射使得交互建模本质上具有挑战性，因为它移除了学习过程中对交互的迭代细化。为应对这一挑战，我们提出了单步图结构神经流（GSNF），引入两种辅助轨迹自监督策略以强化交互学习： 基于重新初始化的交互感知轨迹生成，通过诱导轨迹发散来暴露由图诱导的交互，并具有理论上推导的发散下界； 逆时轨迹生成，利用流的可逆性，强制执行前向-后向一致性以正则化图学习。在五个真实世界数据集上的实验表明，GSNF 实现了 SOTA 的分类性能，且训练时间和内存占用极具竞争力。
引用
@article{arxiv.2605.10179,
title = {One-Step Graph-Structured Neural Flows for Irregular Multivariate Time Series Classification},
author = {Mengzhou Gao and Kaiwei Wang and Pengfei Jiao},
journal= {arXiv preprint arXiv:2605.10179},
year = {2026}
}