TCGAN：用于时间序列分类与聚类的卷积生成对抗网络
机器学习
2023-09-12 v1 人工智能
摘要
近期工作已证明有监督卷积神经网络（CNNs）在从时间序列数据学习层次化表示以成功分类方面的优越性。这些方法需要足够大的标注数据以稳定学习，然而获取高质量标注时间序列数据可能代价高昂且可能不可行。生成对抗网络（GANs）在增强无监督与半监督学习方面取得巨大成功。尽管如此，据我们所知，GANs作为学习时间序列识别（即分类与聚类）表示的通用解决方案的有效性仍不明确。上述考量启发我们引入时间序列卷积GAN（TCGAN）。TCGAN通过在两个一维CNN（即生成器与判别器）间进行对抗博弈、在无标签信息情况下学习。训练后的TCGAN部分被复用以构建表示编码器，赋能线性识别方法。我们在合成与真实数据集上进行了全面实验。结果表明TCGAN比现有时间序列GAN更快且更准。所学表示使简单分类与聚类方法取得优越且稳定的性能。此外，TCGAN在少标注与不平衡标注数据场景下保持高效能。我们的工作为有效利用丰富无标签时间序列数据提供了可行路径。
引用
@article{arxiv.2309.04732,
title = {TCGAN: Convolutional Generative Adversarial Network for Time Series Classification and Clustering},
author = {Fanling Huang and Yangdong Deng},
journal= {arXiv preprint arXiv:2309.04732},
year = {2023}
}