面向少样本故障时间序列预测的连续模型无关元学习
机器学习
2023-11-07 v1 人工智能
摘要
元学习是一种解决少样本故障预测问题的有前景的技术，近年来吸引了众多研究者的关注。现有的用于时间序列预测的元学习方法主要依赖基于随机和相似性匹配的任务划分，面临三个主要局限：(1) 特征利用低效；(2) 任务数据分配次优；(3) 小样本鲁棒性有限。为克服这些局限，我们提出了一种新颖的“伪元任务”划分方案，将时间序列的一段连续时间段视为一个元任务，该元任务由多个连续的短时间片段组成。采用连续时间序列作为伪元任务，使我们的方法能够从数据中提取更全面的特征与关系，从而获得更精准的预测。此外，我们引入了一种差分算法以增强方法在不同数据集上的鲁棒性。通过在多个故障与时间序列预测数据集上的大量实验，我们证明了我们的方法在少样本和一般条件下均显著提升了预测性能与泛化能力。
引用
@article{arxiv.2311.02300,
title = {Successive Model-Agnostic Meta-Learning for Few-Shot Fault Time Series Prognosis},
author = {Hai Su and Jiajun Hu and Songsen Yu},
journal= {arXiv preprint arXiv:2311.02300},
year = {2023}
}