Triple-shapelet Networks for Time SeriesClassification(ICDM2020)

Shapelets是时间序列分类的判别子序列。尽管基于形状的方法已经取得了良好的性能和可解释性,但它们仍然有两个问题需要改进。首先,以前的方法只是通过对所有样本进行分类的准确性来评估一个shapelet。然而,对于多类不平衡分类任务,这些方法将忽略能够区分少数类和其他类的shapelets,而倾向于使用能够区分多数类的shapelets。其次,在训练阶段后,shapelets是固定的,不能适应有变形的时间序列,这将导致该shapelets匹配不佳在本文中,我们提出了一种新的端到端shapelet学习模型,称为三重shapelet网络(TSNs),以提取多层次的特征表示。具体来说,与之前的方法类似,TSN通过梯度下降法学习最具分辨力的shapelets。此外,它还通过使用辅助二进制分类器来学习每个类的特定类别的shapelets。最后,它使用shapelet生成器根据输入时间序列的子序列产生特定于样本的shapelets。在标准模型中加入类别级和样本级shapelets可以提高模型的性能。在大量的时间序列数据集上进行的实验表明,与现有的基于形状的方法相比,TSN是最先进的,可视化分析也表明了它的有效性。

背景:对于多类分类任务,标准的基于shapelet的方法将倾向于找到可以分离大部分类的shapelets,而不是能够完美地将一个类与其他类分离的shapelet 

2)另一个问题是,时间序列的形状会发生变化,时间序列的微小变化可能会导致与数据不匹配的shapelets 

PROPOSED METHOD

在本文中,我们提出了一个新的模型,称为三重Shapelet网络(TSN)。具体来说,TSN学习shapelets的基础是区分所有类别(all-vs-all)、区分每个类别(one-vs-all)以及使用动态生成的shapelets(特定于样本的shapelets)对单个时间序列进行分类然后利用学习到的shapelets对输入时间序列进行shapelets变换,提取判别特征;最后,将提取的特征输入到softmax层,计算每个类的概率分布。 

General Shapelets 

Triple-shapelet Networks for Time SeriesClassification(ICDM2020)_第1张图片 

 Category-specific Shapelets

Triple-shapelet Networks for Time SeriesClassification(ICDM2020)_第2张图片 

 Triple-shapelet Networks for Time SeriesClassification(ICDM2020)_第3张图片

 Triple-shapelet Networks for Time SeriesClassification(ICDM2020)_第4张图片

 Overall Loss Function

Triple-shapelet Networks for Time SeriesClassification(ICDM2020)_第5张图片 

Triple-shapelet Networks for Time SeriesClassification(ICDM2020)_第6张图片 

Triple-shapelet Networks for Time SeriesClassification(ICDM2020)_第7张图片Triple-shapelet Networks for Time SeriesClassification(ICDM2020)_第8张图片 

 

 

你可能感兴趣的:(时间序列聚类,机器学习,人工智能,深度学习)