面向不规则采样时间序列的时间参数化卷积神经网络
机器学习
2023-08-10 v2
摘要
不规则采样的多元时间序列在多个应用领域中普遍存在，导致不同变量之间出现稀疏、未完全观测且未对齐的观测值。标准的序列神经网络架构，如循环神经网络（RNNs）和卷积神经网络（CNNs），假定观测时间之间具有规则间隔，这给不规则时间序列建模带来了重大挑战。尽管大多数已有架构采用 RNN 变体来处理不规则时间间隔，但卷积神经网络在不规则采样场景下的研究尚不充分。本文通过采用显式时间初始化的核来对卷积层进行参数化。此类通用时间函数增强了连续时间隐藏动态的学习过程，并可高效地融入卷积核权重中。据此，我们提出时间参数化卷积神经网络（TPCNN），其具有与标准卷积相似的属性，但专为不规则采样时间序列精心设计。我们在涉及真实世界不规则采样多元时间序列数据集的插值与时序分类任务上评估了 TPCNN。实验结果表明，所提出的 TPCNN 模型性能具有竞争力，且显著优于其他最先进方法的高效性。同时，该架构通过结合可学习时间函数实现了输入序列的可解释性，这些函数提升了网络在后续任务中的性能，并推动了卷积在该领域的首次应用。
引用
@article{arxiv.2308.03210,
title = {Time-Parameterized Convolutional Neural Networks for Irregularly Sampled Time Series},
author = {Chrysoula Kosma and Giannis Nikolentzos and Michalis Vazirgiannis},
journal= {arXiv preprint arXiv:2308.03210},
year = {2023}
}