时间序列分类的深度学习综述
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
提出了一种基于多尺度卷积神经网络的时间序列分类模型,该模型将特征提取和分类集成在一个框架中,具有较高的准确性和计算效率,并在大量基准数据集上进行了全面的实证评估,取得了优于其他先进方法的性能。
Mar, 2016
时间序列分类是时间序列挖掘中最重要的任务之一,本论文介绍了一种以效率为主要目标的新方法,通过简化时间序列的表示和考虑部分值的距离度量,实现对大型时间序列数据集的高效分类。实验结果表明,与其他高效方法相比,该方法不仅平均速度快 4 倍,而且在分类准确性上更为优越。
Dec, 2023
提出了 Similarity-Aware Time-Series Classification (SimTSC) 框架,使用图神经网络建模时间序列的相似度信息,并结合深度学习模型实现时序分类。使用 ResNet 作为主干网络和 Dynamic Time Warping 作为相似度度量,在多个数据集上进行了广泛的实验,证明了该方法的有效性。
Jan, 2022
本研究旨在评估制造业和工业环境中时序分类任务的 SoTA ML 和 DL 算法的性能。实验表明,ResNet、DrCIF、InceptionTime 和 ARSENAL 是性能最好的算法,其在 22 个制造业时序分类数据集上的平均准确率超过 96.6%。这些发现突显了卷积内核在捕捉时间序列数据中的时序特征方面的鲁棒性、效率、可扩展性和有效性。此外,LSTM、BiLSTM 和 TS-LSTM 算法在利用循环神经网络结构捕捉时间序列数据中的特征方面也值得肯定。
Oct, 2023
本研究通过建立 TSOC 基准测试来探讨序列分类问题。实验表明,相较于对同类问题的标准分类方法,TSOC 方法在有序标签结构的时间序列数据上的分类表现更好。
Jun, 2023
时间序列分类(TSC)一直是数据科学和知识工程中的一项关键且具有挑战性的问题。在过去的二十年里,有关 TSC 的研究受到了广泛关注,并涌现出许多基于相似度度量、区间、形状、字典、深度学习方法或混合集成方法的最新方法。近年来,人们还设计了几种从时间序列中提取无监督信息摘要统计(即特征)的工具。本文通过对 112 个时间序列数据集上进行的超过 10000 次学习实验的结果分析表明,基于特征的方法的性能与当前先进的 TSC 算法一样准确,因此在 TSC 文献中应该得到更多的关注。
Aug, 2023
本文研究了深度学习在时序数据挖掘中的应用,提出了针对时序数据的敌对攻击机制,并揭示了当前的深度学习时序分类器在面对敌对攻击时的脆弱性,揭示出在食品安全和质量保障等领域中的深刻后果。
Mar, 2019
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