TimeNet: 面向时序分类的预训练深度循环神经网络

Jun, 2017

TimeNet: 面向时序分类的预训练深度循环神经网络

TimeNet: Pre-trained deep recurrent neural network for time series classification

Pankaj Malhotra, Vishnu TV, Lovekesh Vig, Puneet Agarwal, Gautam Shroff

TL;DRTimeNet 是一个基于循环神经网络的深度非监督学习模型，使用序列到序列模型从多个时间序列中提取特征，可用作时间序列的通用特征提取器，并且通过实验证明，使用 TimeNet 特征提取器训练的分类器能够显著提高分类效果。

Abstract

Inspired by the tremendous success of deep Convolutional Neural Networks as generic feature extractors for images, we propose timenet: a deep recurrent neural network (RNN) trained on diverse time series in an un

timenet recurrent neural network unsupervised learning time series generic feature extraction

发现论文，激发创造

ConvTimeNet：一个预训练的、深度卷积神经网络用于时序分类

该研究提出了一种基于深度卷积神经网络的预训练模型 ConvTimeNet（CTN），并通过对多个时间序列分类数据集进行训练和测试，证明了其在新任务上的可迁移性和高效性。

Apr, 2019

ConvTimeNet: 多变量时序分析的深层分层完全卷积模型

本文介绍了 ConvTimeNet，这是一个新型的深层分层全卷积网络，旨在作为时间序列分析的通用模型。该网络的关键设计从两个方面入手，旨在克服传统卷积网络的局限性。第一，我们提出了将时间序列自适应分割为子序列级的补丁，并将其作为基本建模单元，避免了与原始点级时间步长相关的稀疏语义。第二，我们设计了一个完全卷积块，巧妙地集成了深度卷积和点卷积操作，采用 Transformer 编码器中使用的先进建模风格，使得该主干网络能够有效捕捉全局序列和跨变量依赖，因为它不仅融入了 Transformer 架构的进展，还继承了卷积的固有属性。此外，通过灵活控制核大小，可以学习给定时间序列实例的多尺度表示。我们在时间序列预测和分类任务上进行了广泛的实验。结果在大多数情况下在有效性方面始终优于强基线。代码已公开发布。

Mar, 2024

基于记忆网络的多元时间序列预测解决方案

提出了一种名为基于记忆的时序网络的深度学习模型，具有较强的可解释性，旨在解决传统方法无法捕捉复杂模式或在多重变量中融合信息的问题。

Sep, 2018

时间序列分类的深度神经网络集成

本文介绍如何在时序分类任务中使用神经网络集成算法，实现与当前最先进的基于非深度学习算法的分类器媲美的性能，并且首次达到了比 COTE 分类器更好的表现。

Mar, 2019

基于循环神经网络的临床时间序列分析迁移学习

探究深度循环神经网络的迁移学习，使用预训练的 RNN 对多变量临床时间序列进行建模，提取通用特征来建立新的任务分类器。结果表明，相比于特定任务的 RNN，使用预训练模型的特征更加稳健且通用，性能更好。

Jul, 2018

卷积神经网络中的时序嵌入以强化对抽象片段的鲁棒学习

本文提出了一种基于时间嵌入的卷积神经网络模型 (TeNet)，通过对周期性时间序列中反复发生但被隐藏的结构元素 —— 抽象片段进行学习来预测未来的变化，该模型能够对时间序列中的数据扭曲和错位具有鲁棒性，并在人类移动性到家庭用电记录等多种数据模态上展示出优异的预测性能。

Feb, 2015

利用深度神经网络建模长短期时间模式

本文提出了一个新的深度学习框架 —— Long- and Short-term Time-series network (LSTNet)，用于解决多元时间序列预测等问题，并在复杂混合循环模式数据上实现了显著的性能提升。

Mar, 2017

多元时间序列分类：深度学习方法

本研究探究适用于时间序列分类领域的不同方法和各种神经网络结构。该论文通过使用来自气体传感器的数据来探测某一特定环境中的占用状态，并使用 Fully Convolutional Networks (FCN) 和 Long Short-Term Memory (LSTM) 进行监督学习和递归自编码器进行半监督学习，通过评估精度和召回率等指标来确定哪种方法最适合此问题。

Jul, 2023

使用深度神经网络从头开始进行时间序列分类：一个强大的基准

提出了用深度神经网络从头开始进行时间序列分类的简单但强大的基准线。通过提出的全卷积网络（FCN）和 ResNet 结构的非常深层神经网络的探索，实现了优越的性能。我们卷积模型中的全局平均池化即可利用类激活映射（CAM）来查找特定标签的原始数据中的贡献区域，为现实世界的应用提供了简单的选择和未来研究的良好起点，同时提供了总体分析来讨论我们的模型，学习特征，网络结构和分类语义的泛化能力。

Nov, 2016

使用深度神经网络进行相关时间序列预测：结果概述

本文提出两种深度学习模型来准确预测相关时间序列，第一个模型在每个时间序列上使用卷积神经网络，第二个模型通过在每个时间序列上添加自编码器，实现了多任务学习。在两个现实世界的相关时间序列数据集上，实验证明所提出的两种模型有效且优于大多数基线。

Aug, 2018