基于大规模长时间序列数据的不确定性感知多示例学习
人工智能
2021-11-23 v3
摘要
我们提出一种对长时段大规模时间序列数据进行分类的新框架。长时间序列分类（L-TSC）是一个具有挑战性的问题，因为数据常包含大量与分类目标无关的信息。无关时段会降低分类性能，而系统并不知道其相关性。本文提出一种不确定性感知多示例学习（MIL）框架，以自动识别最相关的时段。预测不确定性使得设计一种注意力机制成为可能，该机制迫使 MIL 模型从可能具判别性的时段中学习。此外，预测的不确定性给出了一个原则性估计量，用以判断预测是否可信。我们进一步引入另一模态，通过在其可用时训练独立模型来应对不可靠预测，并进行不确定性感知融合以产生最终预测。我们在自动识别系统（AIS）数据上进行了系统评估，该数据用于识别和跟踪真实世界船舶。实证结果表明，所提方法能基于轨迹有效检测船舶类型，且与另一可用数据模态（实验中使用了合成孔径雷达即 SAR 影像）的不确定性感知融合可进一步提高检测精度。
引用
@article{arxiv.2111.08625,
title = {Uncertainty-Aware Multiple Instance Learning from Large-Scale Long Time Series Data},
author = {Yuansheng Zhu and Weishi Shi and Deep Shankar Pandey and Yang Liu and Xiaofan Que and Daniel E. Krutz and Qi Yu},
journal= {arXiv preprint arXiv:2111.08625},
year = {2021}
}
备注
Accepted to IEEE BigData 2021 as short paper; Revised in 11/20/20121