关键词multivariate time series classification
搜索结果 - 12
- 提高多变量时间序列分类的解释方法评估和可操作性
基于多元时间序列分类的解释方法研究,通过评估和改进解释方法的精确度和效率,展示解释方法在频道选择的应用中具有的可操作性,并展示基于扰动法的解释方法在各种数据集、分类器和任务中的优势。
- KDDCAFO: 基于特征的时间序列分类解释
多元时间序列分类中,我们引入了一种名为 CAFO(通道注意力和特征正交化)的新的特征为中心的解释和评估框架,它利用了具有通道注意力机制的卷积方法,通过深度可分离通道注意力模块(DepCA)和基于 QR 分解的损失来促进特征的正交性,从而增强 - 时间弹性神经网络
我们介绍并详细说明了一种非典型的神经网络架构,称为时间弹性神经网络(teNN),用于多变量时间序列分类。与传统神经网络架构相比,该创新之处在于它明确地融合了时间弯曲的能力,以及一种新的注意力考虑方式。此外,该架构能够学习一种丢弃策略,从而优 - KDDShapeFormer:用于多元时间序列分类的形状变换器
提出了一种新颖的 Shapelet Transformer 方法,通过包含具有类特定和通用特征的 Transformer 模块来捕捉多元时间序列的相关性并提高分类性能。对 30 个 UEA MTSC 数据集的实验结果证明,ShapeForm - ICMLTimeMIL:通过面向时间的多实例学习推进多变量时间序列分类
利用弱监督学习将多变量时间序列分类重新定义为多实例学习问题,通过引入基于时间感知的多实例学习池化,结合专门设计的可学习小波位置标记的令牌化变换器,以更好地定位和建模时间序列中感兴趣的模式,并表明该方法在多变量时间序列分类方面的优越性。
- 基于对数神经控制微分方程的李括号效应
控制微分方程的向量场描述了控制路径与解路径的演变之间的关系。神经 CDE(NCDEs)将时间序列数据视为来自控制路径的观测值,使用神经网络对 CDE 的向量场进行参数化,并将解路径用作持续演化的隐藏状态。通过引入 Log-NCDEs 方法, - 多元时间序列分类的解释方法评估
多元时间序列分类中的解释方法主要关注基于显著性的解释方法,通过分析 ROCKET 和 dResNet 分类器,以及 SHAP 和 dCAM 两种解释方法在不同数据集上的表现,发现多元数据集的平坦化对分类效果有积极影响,同时也注意到了合成数据 - 多元时间序列的双注意力网络分类
利用双重关注 (dual attention) 的方法,我们在本研究中探索了一种新型网络 (DA-Net),用于提取多元时间序列分类的局部和全局特征。DA-Net 由 Squeeze-Excitation Window Attention - RED CoMETS:用于符号表示的多变量时间序列的集成分类器
RED CoMETS 是一种新的集成分类器,是在符号表示的单变量时间序列的基础上扩展到处理多变量数据的,能够有效地处理高维度、时间依赖性和不同长度的多变量时间序列数据,在 UCR 存档的基准数据集上表现出与最先进技术相媲美的准确性,尤其在 - TodyNet:用于多元时序分类的时间动态图神经网络
提出了一种新的基于深度学习的多元时间序列分类 (TodyNet) 方法,该方法可以提取隐含的时空依赖关系,通过动态图机制捕获不同时间段之间的关联,同时可利用可学习的时间参数获取全局图级表示,实现了端到端的联合学习,实验结果表明,该方法在 M - 用于多元时间序列分类的门控 Transformer 网络
本研究探索了带门控的 Transformer Networks 的时间序列分类问题,我们展示了 GTN 在多元时间序列分类任务上的自然有效性,并且在 13 个数据集上进行了实验证明 GTN 可以达到具有竞争力的结果。我们还探究了 GTN 的 - UEA 多元时间序列分类档案,2018
该文论述了关于 UCR 时间序列分类存档以及多变量时间序列分类中算法评估需要面对的问题,并提出 MTSC 存档,旨在为多变量时间序列分类领域提供更多的数据以进行评估。