面向相似性感知的时间序列分类
机器学习
2022-01-07 v2
摘要
我们研究时间序列分类（TSC），这是时间序列数据挖掘的一项基本任务。先前工作从两个主要方向处理 TSC：（1）基于相似性的方法，根据最近邻对时间序列进行分类；（2）深度学习模型，以数据驱动的方式直接学习用于分类的表示。受这两类研究路线中不同工作机制的启发，我们旨在将它们连接起来，以联合建模时间序列相似性并学习表示。这是一项具有挑战性的任务，因为尚不清楚应如何高效利用相似性信息。为应对该挑战，我们提出相似性感知时间序列分类（SimTSC），这是一个概念上简单且通用的框架，利用图神经网络（GNNs）对相似性信息建模。具体而言，我们将 TSC 表述为图中的节点分类问题，其中节点对应时间序列，连边对应两两相似性。我们进一步设计了一种图构建策略以及带负采样的批量训练算法以提升训练效率。我们以 ResNet 为骨干网络、以动态时间规整（DTW）为相似性度量实例化 SimTSC。在完整 UCR 数据集和多个多变量数据集上的大量实验证明了在监督与半监督设置下将相似性信息融入深度学习模型的有效性。我们的代码见 https://github.com/daochenzha/SimTSC
引用
@article{arxiv.2201.01413,
title = {Towards Similarity-Aware Time-Series Classification},
author = {Daochen Zha and Kwei-Herng Lai and Kaixiong Zhou and Xia Hu},
journal= {arXiv preprint arXiv:2201.01413},
year = {2022}
}
备注
Accepted by SDM 2022