Stop&Hop：不规则时间序列的早期分类
机器学习
2022-08-23 v1
摘要
早期分类算法帮助用户更快地对其机器学习模型的预测作出反应。例如，医院中的早期预警系统通过准确预测感染使临床医生改善患者预后。尽管早期分类系统正在快速发展，但一个主要空白仍然存在：现有系统未考虑不规则时间序列，其观测之间具有不均匀且通常较长的间隔。此类序列在医疗等具有重要影响的领域中极为普遍。我们弥补这一空白，研究不规则时间序列的早期分类，这是早期分类器的一种新设定，为更多现实世界问题打开了大门。我们的解决方案Stop&Hop使用连续时间循环网络实时建模进行中的不规则时间序列，而一个以强化学习训练的不规则性感知停止策略预测何时停止并对流序列进行分类。通过采用实值步长，停止策略可灵活决定何时实时停止进行中的序列。这样，Stop&Hop将观测时序中包含的信息（此设定下早期分类的新且关键来源）与时间序列值无缝结合，为不规则时间序列提供早期分类。使用四个合成和三个真实世界数据集，我们证明Stop&Hop相比适用于该新问题的前沿替代方法始终能作出更早且更准确的预测。我们的代码公开于 https://github.com/thartvigsen/StopAndHop。
引用
@article{arxiv.2208.09795,
title = {Stop&Hop: Early Classification of Irregular Time Series},
author = {Thomas Hartvigsen and Walter Gerych and Jidapa Thadajarassiri and Xiangnan Kong and Elke Rundensteiner},
journal= {arXiv preprint arXiv:2208.09795},
year = {2022}
}
备注
This paper was accepted to CIKM'22. Code at https://github.com/thartvigsen/StopAndHop