Feb, 2024
时间序列的增量式学习：基准和评估
Class-incremental Learning for Time Series: Benchmark and Evaluation
TL;DR现实环境具有非平稳性，经常引入新的类别。时间序列分类中尤为常见，例如医疗保健中新的疾病分类的出现或人类活动识别中新活动的添加。因此，需要学习系统能够在有效吸收新类别的同时避免对旧类别的灾难性遗忘，从而产生了类别增量学习（CIL）问题。然而，尽管图像和语言领域取得了令人鼓舞的进展，但对于时间序列数据的CIL仍然相对较少研究。现有的研究在实验设计上存在不一致，需要在广泛的数据集上进行综合评估和基准测试方法。为此，我们首先概述了时间序列类别增量学习（TSCIL）问题，并强调其独特的挑战和先进的方法。此外，基于标准设置，我们开发了一个统一的实验框架，支持新算法的快速开发，新数据集的轻松集成，以及评估过程的标准化。利用该框架，我们在标准和隐私敏感场景下对各种通用和特定于时间序列的CIL方法进行了全面评估。我们广泛的实验不仅为未来的研究提供了标准基线，还揭示了各种设计因素（如归一化层或内存预算阈值）的影响。代码可在此 https URL 上获取。