基于时间参数化的卷积神经网络用于不规则采样的时间序列

Aug, 2023

基于时间参数化的卷积神经网络用于不规则采样的时间序列

Time-Parameterized Convolutional Neural Networks for Irregularly Sampled Time Series

Chrysoula Kosma, Giannis Nikolentzos, Michalis Vazirgiannis

TL;DR不规则采样的多变量时间序列是各种应用领域中普遍存在的现象，本文提出了一种名为时间参数化卷积神经网络（TPCNN）的新型神经网络架构，特别适用于处理不规则时间序列数据，我们对 TPCNN 进行了插值和分类任务的实验评估并与其他最先进方法进行了比较，结果表明 TPCNN 模型不仅具有竞争性的性能，而且比其他方法更高效。同时，该架构利用可学习的时间函数的组合，提高了网络性能和序列输入的可解释性，在该领域中首次应用卷积操作。

Abstract

irregularly sampled multivariate time series are ubiquitous in several application domains, leading to sparse, not fully-observed and non-aligned observations across different variables. Standard sequential neural network architectures, such as recurrent neural networks (RNNs) and conv

irregularly sampled multivariate time series sequential neural network architectures convolutional neural networks time-parameterized convolutional neural network interpretability of the input series

发现论文，激发创造

不规则采样时间序列的学习：缺失数据视角

本文介绍一种基于变分自编码器和生成对抗网络的编码器 - 解码器框架，用于学习不规则采样的时间序列数据，提出了一种连续卷积层用于与现有神经网络体系结构高效对接。实验证明，该模型在不规则多元时间序列分类的结果上可以比最近的 RNN 模型表现得更好，同时具有显著更快的训练速度。

Aug, 2020

不规则采样时间序列的插值预测网络

本文提出了一种新的深度学习架构，以解决稀疏和不规则采样的多变量时间序列的监督学习问题，该架构基于半参数插值网络，其允许在插值阶段跨多个时间序列维度共享信息，同时预测网络可以使用任何标准的深度学习模型。我们研究了该架构在分类和回归任务中的性能，并表明我们的方法优于一系列基线模型和最近提出的模型。本研究的动机是对在电子健康记录中的生理时间序列数据的分析，这些数据稀疏、不规则采样和多元。

Sep, 2019

不规则采样时间序列的多时间注意力网络

本篇论文针对电子健康档案中所涉及的稀疏、不规则采样、多变量的生理时序数据提出一种名为 Multi-Time Attention Networks 的多时间注意网络的深度学习框架，并使用多个数据集进行内插和分类任务的性能研究，结果表明该框架的性能优于许多基线和最近提出的模型，同时提供了比当前最先进方法更快的训练速度。

Jan, 2021

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

深度卷积在非规则采样时间点云中的应用

本论文提出了一种使用深度学习模型对不规则采样的连续空间时间过程进行直接学习和预测的方法，并验证了该模型在真实天气数据和星际争霸 II 中的有效性。

May, 2021

基于时序卷积神经网络的概率预测

本研究基于卷积神经网络提出了一种概率预测框架，可用于多个相关时间序列的预测，并可在参数和非参数设置下估计概率密度。该方法通过堆叠残差块实现了序列的时间依赖关系，并通过表示学习捕获了季节性、假日效应等复杂模式，实验证明该框架在精度和效率方面均优于当前其他方法。

Jun, 2019

使用卷积神经网络和迁移学习进行时间序列异常检测

这篇论文提出了一种基于卷积神经网络的时序分割方法来检测异常，并使用迁移学习框架在大规模合成单变量时间序列数据集上进行预训练，然后在小规模、单变量或多变量数据集上进行微调，同时针对多变量情况，介绍了一种新的网络架构。该方法在多个合成和实际数据集上进行了成功测试。

May, 2019

基于并行时空注意力的 TCN 模型用于多元时间序列预测

该论文介绍了一种新的框架 PSTA-TCN，该框架将并行时空关注机制与轴承温网络相结合，从而达到了更长的记忆，并且使用并行计算大大缩短了训练时间，可以更好地用于多元时间序列预测任务。

Mar, 2022

CKConv：连续核卷积用于序列数据

本文提出一种新的卷积神经网络架构，通过将卷积核建模为连续函数，解决了传统神经网络处理序列数据时的梯度爆炸、记忆短视、非定长序列等问题，并在多个数据集上获得了最先进的结果。

Feb, 2021

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