TimeMIL: 通过时间感知的多实例学习推进多变量时间序列分类
机器学习
2024-05-28 v2
摘要
深度神经网络，包括Transformer和卷积神经网络，显著改进了多变量时间序列分类（MTSC）。然而，这些方法通常依赖监督学习，没有充分考虑时间序列数据中模式的稀疏性和局部性（例如，心电图中的疾病相关异常点）。为解决这一挑战，我们正式将MTSC重新表述为弱监督问题，引入一种新颖的多实例学习（MIL）框架，以更好地定位感兴趣的模式并建模时间序列中的时间依赖关系。我们的新方法TimeMIL，在时间感知的MIL池化中公式化时间相关性和顺序，利用带有专门可学习小波位置标记的标记化Transformer。所提出的方法超越了26种最新方法，强调了弱监督TimeMIL在MTSC中的有效性。代码将在https://github.com/xiwenc1/TimeMIL提供。
引用
@article{arxiv.2405.03140,
title = {TimeMIL: Advancing Multivariate Time Series Classification via a Time-aware Multiple Instance Learning},
author = {Xiwen Chen and Peijie Qiu and Wenhui Zhu and Huayu Li and Hao Wang and Aristeidis Sotiras and Yalin Wang and Abolfazl Razi},
journal= {arXiv preprint arXiv:2405.03140},
year = {2024}
}
备注
Accepted by ICML2024