将时间序列视为图像：面向不规则采样时间序列的视觉 Transformer
机器学习
2023-11-01 v2 人工智能
计算机视觉与模式识别
摘要
不规则采样时间序列日益普遍，尤其在医疗领域。尽管已开发多种专门方法处理此类不规则性，但有效建模其复杂动态与显著稀疏性仍具挑战。本文提出一种新视角：将不规则采样时间序列转换为折线图图像，随后利用强大的预训练视觉 Transformer 以图像分类的方式完成时间序列分类。该方法不仅大幅简化了专门的算法设计，还展现出作为时间序列建模通用框架的潜力。值得注意的是，尽管简单，我们的方法在多个流行的医疗与健康人类活动数据集上优于最先进的专门算法。特别是在严格的留传感器测试设定（测试时省略部分变量）下，我们的方法对不同程度缺失观测表现出强鲁棒性，即便掩蔽一半变量，其绝对 F1 分数点仍比领先的专门基线高出 42.8%。代码与数据见 https://github.com/Leezekun/ViTST。
引用
@article{arxiv.2303.12799,
title = {Time Series as Images: Vision Transformer for Irregularly Sampled Time Series},
author = {Zekun Li and Shiyang Li and Xifeng Yan},
journal= {arXiv preprint arXiv:2303.12799},
year = {2023}
}
备注
Accepted to NeurIPS2023. Code and data are available at: https://github.com/Leezekun/ViTST