TSCMamba：Mamba 遇多视角学习用于时间序列分类
机器学习
2025-03-18 v2
摘要
多变量时间序列分类（TSC）是医疗和金融等众多领域的关键任务。虽然已探索了各种 TSC 方法，但诸如平移等变性和反转不变性等重要时间序列性质被主流方法所忽视。为填补这一空白，我们提出一种新颖的多视角方法，捕获具有平移等变性等属性的模式。我们的方法整合了谱特征、时序特征、局部特征和全局特征，以获得丰富、互补的 TSC 上下文。我们利用连续小波变换捕获即使输入在时间上平移后仍保持一致的时频特征。这些特征与时序卷积或多层感知器特征融合，以提供复杂的局部和全局上下文信息。我们利用 Mamba 状态空间模型进行高效、可扩展的序列建模和捕获时间序列中的长程依赖。此外，我们引入一种新的扫描方案，称为 tango scanning，以有效建模序列关系并利用反转不变性，从而增强模型的泛化和鲁棒性。在两个数据集集合（10+20 数据集）上的实验表明，我们的方法在 TimesNet 和 TSLANet 等领先 TSC 模型上实现了平均准确率提升 4.01-6.45% 和 7.93%。
引用
@article{arxiv.2406.04419,
title = {TSCMamba: Mamba Meets Multi-View Learning for Time Series Classification},
author = {Md Atik Ahamed and Qiang Cheng},
journal= {arXiv preprint arXiv:2406.04419},
year = {2025}
}