TodyNet：面向多元时间序列分类的时序动态图神经网络
机器学习
2024-08-19 v1
摘要
多元时间序列分类（MTSC）是一项重要的数据挖掘任务，可通过流行的深度学习技术有效解决。遗憾的是，现有基于深度学习的方法忽视了不同维度间隐藏的依赖关系，也很少考虑时间序列独特的动态特征，缺乏足够的特征提取能力以获得令人满意的分类精度。为解决该问题，我们提出一种新颖的时序动态图神经网络（TodyNet），可在无预定义图结构的情况下提取隐藏的时空依赖关系。它使孤立但隐式相互依赖的变量间实现信息流动，并通过动态图机制捕捉不同时间片之间的关联，进一步提升模型的分类性能。同时，受图神经网络（GNN）局限，图的层次化表示无法被学习。为此，我们还设计了一种时序图池化层，以带有可学习时序参数的图学习获得全局图级表示。动态图、图信息传播与时序卷积在端到端框架中联合学习。在26个UEA基准数据集上的实验表明，所提出的TodyNet在MTSC任务上优于现有基于深度学习的方法。
引用
@article{arxiv.2304.05078,
title = {TodyNet: Temporal Dynamic Graph Neural Network for Multivariate Time Series Classification},
author = {Huaiyuan Liu and Xianzhang Liu and Donghua Yang and Zhiyu Liang and Hongzhi Wang and Yong Cui and Jun Gu},
journal= {arXiv preprint arXiv:2304.05078},
year = {2024}
}