RTFN：一种用于时间序列分类的鲁棒时序特征网络
机器学习
2021-01-01 v2
摘要
时间序列数据通常包含局部与全局模式。现有多数特征网络更关注局部特征，而非它们之间的关系。然而后者同样重要却更难挖掘。通过特征网络获得充分的表示仍具挑战性。为此，我们提出一种新颖的鲁棒时序特征网络（RTFN）用于时间序列分类中的特征提取，其包含时序特征网络（TFN）与基于LSTM的注意力网络（LSTMaN）。TFN是一种含多个卷积层的残差结构，作为局部特征提取网络从数据中挖掘充分的局部特征。LSTMaN由两层相同的层组成，其中注意力与长短期记忆（LSTM）网络相混合。该网络作为关系提取网络，以发现序列数据不同位置处所提取特征间的内在关联。实验中，我们将RTFN分别嵌入监督结构作为特征提取器、嵌入无监督结构作为编码器。结果表明，基于RTFN的结构在大量UCR2018与UEA2018数据集上取得了优异的监督与无监督性能。
引用
@article{arxiv.2011.11829,
title = {RTFN: A Robust Temporal Feature Network for Time Series Classification},
author = {Zhiwen Xiao and Xin Xu and Huanlai Xing and Shouxi Luo and Penglin Dai and Dawei Zhan},
journal= {arXiv preprint arXiv:2011.11829},
year = {2021}
}
备注
41pages, 7figures, Revised Paper