时间卷积探索器助益从频域理解 1D-CNN 在时间序列分类中的学习行为
机器学习
2023-10-10 v1
摘要
尽管一维卷积神经网络（1D-CNN）已在时间序列分类任务中被经验证明有效，我们发现其应用中仍可能出现不良结果，这促使我们进一步探究并理解其内在机制。本工作中，我们提出时间卷积探索器（TCE）从频域视角经验探索 1D-CNN 的学习行为。我们的 TCE 分析强调，更深的 1D-CNN 倾向于将关注从低频分量转移，导致精度退化现象，而扰动卷积正是驱动因素。随后，我们将发现应用于实际并提出一种调节框架，可轻松集成进现有 1D-CNN。该框架旨在通过使网络选择性绕过指定的扰动卷积来纠正次优学习行为。最后，通过在广泛使用的 UCR、UEA 和 UCI 基准上的综合实验，我们证明：1）TCE 对 1D-CNN 学习行为的洞察；2）我们的调节框架使最优 1D-CNN 以更少的内存与计算开销消耗获得提升的性能。
引用
@article{arxiv.2310.05467,
title = {Temporal Convolutional Explorer Helps Understand 1D-CNN's Learning Behavior in Time Series Classification from Frequency Domain},
author = {Junru Zhang and Lang Feng and Yang He and Yuhan Wu and Yabo Dong},
journal= {arXiv preprint arXiv:2310.05467},
year = {2023}
}
备注
Accepted as CIKM'23 Long Paper