TVNet：基于动态卷积和 3D 变异的时间序列分析新方法
机器学习
2025-03-12 v1 人工智能
摘要
随着 Transformer 和 MLP 架构的不断发展与进步，时间序列分析取得了显著进展。相比之下，卷积神经网络 (CNN) 在时间序列分析中的性能屈居下沉，削弱了其在未来应用中的潜力。本研究旨在通过引入新的视角和设计创新，提升卷积神经网络在时间序列分析中的表征能力。具体而言，我们引入一种新的时间序列重塑技术，考虑跨 patch、内 patch 以及跨变量维度。由此，我们提出了 TVNet，这是一种基于 3D 视角的动态卷积网络，用于时间序列分析。TVNet 保留了 CNN 的计算效率，在五个关键时间序列分析任务中实现了最先进的性能，相较于基于 Transformer 和 MLP 的最先进模型，在效率与性能之间实现了更佳的平衡。此外，我们的发现表明，TVNet 具备更好的迁移性和鲁棒性。因此，TVNet 为在高级时间序列分析任务中应用 CNN 提供了新的视角。
引用
@article{arxiv.2503.07674,
title = {TVNet: A Novel Time Series Analysis Method Based on Dynamic Convolution and 3D-Variation},
author = {Chenghan Li and Mingchen Li and Ruisheng Diao},
journal= {arXiv preprint arXiv:2503.07674},
year = {2025}
}
备注
ICLR 2025