通过在多个时间池化上的选择实现多样化视角学习

在时间序列分类 (TSC) 中，已提出考虑序列信息的时序池化方法。然而，我们发现，每种时序池化具有不同的机制，取决于时间序列数据，可能表现更好或更差。我们将这种固定池化机制称为时序池化的单一视角。在本文中，我们提出了一种具有多样化视角学习的新型时序池化方法：在多个时序池化上进行选择 (Selection over Multiple Temporal Poolings, SoM-TP)。SoM-TP 通过注意力机制动态选择每个数据的最优时序池化方法。动态池化选择源自多选学习 (Multiple Choice Learning, MCL) 的集成概念，该概念从多个输出中选择最佳选项。SoM-TP 的注意力实现了单个分类器中非迭代的池化集成。此外，我们定义了视角损失和多样化视角学习网络 (Diverse Perspective Learning Network, DPLN)。该损失作为正则化器，反映 DPLN 的所有池化视角。我们采用基于图层相关性传播 (Layer-wise Relevance Propagation, LRP) 的视角分析揭示了单一视角的局限性，从而最终证明了 SoM-TP 的多样化视角学习。我们还在广泛的 UCR/UEA 存储库中表明，SoM-TP 在基于其他时序池化的 CNN 模型和 TSC 的最先进模型中均表现优异。