面向时间序列分类的分布外表示学习
机器学习
2023-03-01 v4 人工智能
摘要
时间序列分类是现实世界中的一个重要问题。由于其非平稳特性（分布随时间变化），构建可泛化至未见分布的模型仍然具有挑战性。本文提出从分布视角看待时间序列分类问题。我们认为时间复杂性源于其中未知的潜在分布。为此，我们提出 DIVERSIFY 来学习用于时间序列分类的泛化表示。DIVERSIFY 采取迭代过程：首先通过对抗训练获得最坏情况分布场景，然后匹配所得子域的分布。我们也给出了一些理论见解。我们在手势识别、语音指令识别、可穿戴压力与情感检测以及基于传感器的人体活动识别上进行了实验，共涉及不同设定下的七个数据集。结果表明，DIVERSIFY 显著优于其他基线，并通过定性与定量分析有效刻画了潜在分布。代码见：https://github.com/microsoft/robustlearn。
引用
@article{arxiv.2209.07027,
title = {Out-of-Distribution Representation Learning for Time Series Classification},
author = {Wang Lu and Jindong Wang and Xinwei Sun and Yiqiang Chen and Xing Xie},
journal= {arXiv preprint arXiv:2209.07027},
year = {2023}
}
备注
ICLR 2023 camera-ready version; code is at: https://github.com/microsoft/robustlearn