Interpretable Time-series Classification on Few-shot Samples
University of Technology Sydney(悉尼科技大学)
最近的少样本学习工作专注于用先验元知识训练模型,以快速适应具有未知类和样本的新任务。然而,传统的时间序列分类算法无法解决的Few-Shot的情况。现有的少样本学习方法是针对图像或文本数据提出的,大多数是基于神经元的模型,缺乏可解释性。本文提出了一个可解释的基于神经的框架,即\textit{Dual Prototypical Shapelet Networks (DPSN)}的Few-Shot时间序列分类,它不仅训练一个神经网络为基础的模型,但也解释模型从双粒度:1)全局概述使用代表性的时间序列样本,2)局部亮点使用歧视性的形状。特别地,生成的双原型形状由代表性样本和判别性部分长度形状组成,代表性样本可以主要展示类中所有样本的整体形状,判别性部分长度形状可以用于区分不同的类。我们从公共基准数据集获得了18个Few-Shot TSC数据集,并通过与基线的比较来评估所提出的方法。DPSN框架的性能优于最先进的时间序列分类方法,特别是在使用有限的数据进行训练时。最后通过几个案例验证了模型的解释能力。
2020-07-02 cs.LG stat.ML
Applications of shapelet transform to time series classification of earthquake, wind and wave data
University of Notre Dame(圣母大学)
在土木工程中,由于对包括建筑物、桥梁、塔和海上平台在内的大量工程结构进行持续的长期健康监测,使用时间序列分类从大型数据库中自主检测期望事件变得越来越重要。在这种情况下,本文提出了一个相对较新的时间序列表示命名为“Shapelet变换”,这是基于局部相似性的时间序列序列的连续性的形状的应用。考虑到地震、风和海洋工程中时间序列信号的独特属性,该变换的应用产生了一种新的基于形状的特征表示。结合这种基于形状的表示与标准的机器学习算法,一个真正的“白盒”机器学习模型提出了可理解的功能和透明的算法。该模型自动化事件检测,而无需领域从业者的干预,产生一个实用的事件检测过程。本文提出的基于shapelet变换的自主检测方法的有效性通过实例得到了证明,可以从连续记录的地面运动测量中识别已知和未知的地震事件,检测地面运动速度时间历程中的脉冲以区分近场和远场地面运动,从连续的风速测量中识别雷暴,从桥梁监测数据中检测大幅风激振动,并识别对海上结构物有重大影响的纵倾破碎波。
2020-04-22 cs.LG eess.SP stat.ML
Theory and Algorithms for Shapelet-based Multiple-Instance Learning
Kyushu University(九州大学);AIP, RIKEN(理化学研究所人工智能研究中心);Keio University(庆应义塾大学);The University of Tokyo(东京大学)
我们提出了一种新的多实例学习(MIL),其中一个数据单元由一组称为包的实例组成。我们的目标是找到一个很好的分类袋的基础上的相似性与“shapelet”(或模式),其中的相似性袋与shapelet是最大的相似性的实例在袋。在以前的工作中,一些训练实例被选择为没有理论依据的形状。在我们的公式中,我们使用了所有可能的,因此有无穷多个形状,从而产生了更丰富的分类器。我们表明,制定是易于处理的,也就是说,它可以减少通过线性规划助推(LPBoost)凸(DC)的有限(实际上是多项式)大小的程序的差异。我们的理论结果也证明了以前的一些工作的原理。所提出的算法的时间复杂度高度依赖于训练样本中的所有实例的集合的大小。为了适用于包含大量实例的数据,我们还提出了一种启发式的算法选择,而不损失理论上的保证。我们的实证研究表明,我们的算法一致适用于时间序列分类的Shapelet学习任务和各种MIL任务,其精度与现有方法相当。此外,我们表明,所提出的算法使我们能够实现合理的计算时间的结果。
2020-10-13 cs.LG stat.ML
SigTime: Learning and Visually Explaining Time Series Signatures
Department of Computer Science, University of California, Davis(计算机科学系,加州大学戴维斯分校)
SigTime通过联合训练Transformer模型,利用形状let和传统特征工程,实现时间序列的可解释学习与可视化分析,提升时间模式识别的准确性和可解释性。
2025-12-12 cs.LG stat.ML
Integrated Time Series Summarization and Prediction Algorithm and its Application to COVID-19 Data Mining
本文提出了一种简单的方法,根据所有时间序列的整个集合的统计数据,从一组多个相关的时间序列中提取每个时间序列的压缩表示。这是通过一个分层的算法,首先生成一个字母表的形状的聚类数据的质心的分割的基础上,这些形状的标签被分配给每个单一的时间序列的分割,通过最近邻搜索使用无约束的动态时间扭曲作为距离测量,以处理非均匀的时间序列长度。由此,为每个时间序列分配标签序列。最后一个标记序列的完成允许预测各个时间序列。该方法基于两个全球COVID-19数据集进行评估,第一个是每日净病例数(每日新增感染人数减去每日治愈人数),第二个是截至2020年4月27日的COVID-19每日死亡人数。第一个数据集涉及不同国家的249个时间序列,每个长度为96。第二个数据集包括264个时间序列,每个长度为96。根据在现有数据中发现的异常情况,主张采取分散的封锁退出战略。
2020-05-01 cs.LG stat.AP stat.ML
RTFN: Robust Temporal Feature Network
Southwest Jiaotong University(西南交通大学);China University of Mining and Technology(中国矿业大学)
时间序列分析在各种应用中起着至关重要的作用,例如,医疗保健,天气预报,灾害预报等。然而,通过特征网络获得足够的形状仍然具有挑战性。为此,我们提出了一种新的鲁棒时间特征网络(RTFN),它包含时间特征网络和注意力LSTM网络。时间特征网络用于从输入数据中提取基本特征,而注意力LSTM网络用于捕获复杂的形状和关系以丰富特征。在实验中,我们将RTFN嵌入到监督结构中作为特征提取网络,嵌入到无监督聚类中作为编码器。结果显示,基于RTF的监督结构在85个数据集中的40个数据集中获胜,基于RTF的无监督聚类在UCR2018档案中的11个数据集中的4个数据集中表现最好。
2020-12-29 cs.LG stat.ML
Ultra-Fast Shapelets for Time Series Classification
University of Hildesheim(希尔德斯海姆大学)
时间序列的形状特征是一种判别性特征,其与时间序列的相似性可用于时间序列分类。由于发现时间序列的形状在时间上是昂贵的,因此很难适用于长时间或多变量时间序列。在这项工作中,我们提出了超快速Shaperies,使用了一些随机Shaperies。结果表明,超快速Shapelet产生相同的预测质量为当前最先进的基于shapelet的时间序列分类器,仔细选择Shapelet由高达三个数量级。由于该方法允许超快速的shapelet发现,因此使用shapelet进行长多变量时间序列分类变得可行。提出了一种使用Shaperies的多变量时间序列的方法,并证明了超快速Shaperies是成功的,在比较国家的最先进的多变量时间序列分类器的15个多变量时间序列数据集,从不同的领域。最后,时间序列衍生物,已被证明是有用的其他时间序列分类器进行了研究的shapelet为基础的分类。结果表明,它们具有积极的影响,并且它们很容易与简单的预处理步骤相结合,而不需要调整shapelet发现算法。
2015-03-17 cs.LG
SE-shapelets: Semi-supervised Clustering of Time Series Using Representative Shapelets
School of Information Technology, Deakin University(迪肯大学信息技术学院);School of Computer Science and Engineering, University of New South Wales(新南威尔士大学计算机科学与工程学院);Data61 in CSIRO(澳大利亚联邦科学与工业研究组织Data61)
针对现有时间序列聚类方法难以发现代表性Shapelets导致精度低的问题,提出SE-Shapelets方法,利用少量标记和伪标记数据,结合显著子序列链和线性判别选择技术,在UCR数据集上取得更高聚类精度。
2023-11-15 cs.LG
Channel masking for multivariate time series shapelets
Universität Hildesheim(希尔德斯海姆大学)
时间序列的形状特征是具有区分性的子序列,其与时间序列的相似性可用于时间序列分类。初始shapelet提取算法通过完全枚举所有可能的数据子序列来搜索shapelet。单变量时间序列的shapelet研究提出了一种称为shapelet学习的机制,该机制将shapelet参数化,并在优化过程中与预测模型一起学习。由于存在噪声通道,导致过拟合,将此方法简单扩展到多变量时间序列不会产生很好的结果。在本文中,我们提出了一个多变量时间序列的shapelet学习计划,其中我们引入通道掩码折扣噪声通道,并作为一个隐式正则化。
2017-11-02 cs.LG
A Shapelet Transform for Multivariate Time Series Classification
University of East Anglia(东英吉利大学)
Shapard是为时间序列分类而设计的相位无关的连续性。我们提出了三个适应Shapelet变换(ST)捕捉多元特征的多元时间序列分类。我们创建了一组统一的数据来对我们的工作进行基准测试,并与其他三种算法进行比较。我们证明,多变量shapestrandom并不显着比其他国家的最先进的算法。
2017-12-18 cs.LG
Fast Randomized Model Generation for Shapelet-Based Time Series Classification
Ben-Gurion University of The Negev(内盖夫本-古里安大学);Deutsche Telekom Laboratories(德国电信实验室)
时间序列分类是近十年来备受关注的一个领域。一种新的时间序列分类方法使用基于形状的分类树。shapelet是从数据集中的一个时间序列中提取的子序列。这种方法的缺点是构建基于shapelet的分类树所需的时间。搜索最佳shapelet需要检查训练集中所有时间序列的所有长度的所有连续性。这项工作的一个关键目标是找到一个评估秩序的shapesthesia空间,使快速收敛到一个准确的模型。我们进行的比较分析清楚地表明,随机的评估顺序会产生最好的结果。我们的实证分析的高质量的shapestrams空间内的shapestrams的分布提供了见解,为什么随机shapestrams抽样优于替代的评价顺序。我们提出了一种算法,用于基于shapelet的分类的随机模型生成,该算法在仅评估shapelet空间的极小部分后,以惊人的高精度非常快地收敛到模型。
2012-09-23 cs.LG
Random Dilated Shapelet Transform: A New Approach for Time Series Shapelets
Univ. Orléans(奥尔良大学);INSA Centre Val de Loire(中央-卢瓦尔河谷国立应用科学学院);Worldline(源讯世界线)
基于Shapelet的算法因其易于解释而被广泛用于时间序列分类,但目前它们的表现优于最新的最先进的方法。我们提出了一个新的配方的时间序列shapelet包括膨胀的概念,我们引入了一个新的shapelet功能,以提高其区分能力的分类。在112个数据集上进行的实验表明,我们的方法改进了最先进的shapelet算法,并实现了与最近最先进的方法相当的准确性,同时又不牺牲可扩展性和可解释性。
2022-04-21 cs.CV cs.LG
Explainable time series tweaking via irreversible and reversible temporal transformations
Stockholm University(斯德哥尔摩大学);Aalto University(阿尔托大学)
时间序列分类在过去的十年中受到了极大的关注,通过利用各种类型的时间特征,采用了各种各样的方法来关注预测性能。然而,很少强调可解释性和可解释性。在本文中,我们制定了新的问题,可解释的时间序列调整,其中,给定一个时间序列和一个不透明的分类器,提供了一个特定的分类决策的时间序列,我们要找到的最小数量的变化进行给定的时间序列,使分类器改变其决定到另一类。我们表明,这个问题是NP-难的,并专注于两个实例的问题,我们称之为可逆和不可逆的时间序列调整。所研究的分类器是随机shapelet森林分类器。此外,我们提出了两个算法的解决方案,这两个问题,以及简单的优化,以及使用最近邻分类器的基线解决方案。在各种真实数据集上进行的广泛的实验评估表明了我们的问题制定和解决方案的实用性和有效性。
2018-09-13 cs.LG stat.ML
Scalable Discovery of Time-Series Shapelets
University of Hildesheim(希尔德斯海姆大学)
由于时间序列数据的广泛应用,时间序列分类是数据采掘领域的一个重要问题。最近的一个范例,称为shapestra,代表了对目标变量具有高度预测性的模式。Shapelet是通过测量一组潜在候选(shapelet)的预测准确性来发现的。候选者通常由数据集的所有片段组成,因此,发现形状是计算上昂贵的。本文提出了一种新的方法,通过在线聚类修剪技术,避免了在欧氏距离空间中测量相似候选的预测精度。此外,我们的算法采用了监督shapelet选择,只过滤掉那些提高分类准确性的候选人。来自UCR集合的45个数据集的经验证据表明,我们的方法比现有最快的shapelet发现方法快3-4个数量级,同时提供更好的预测精度。
2015-03-11 cs.LG
A Unified Shape-Aware Foundation Model for Time Series Classification
UniShape是一种面向时间序列分类的统一形状感知基础模型,通过自适应聚合多尺度判别子序列提升模型可解释性,并在多个数据集上实现最先进的分类性能。
2026-01-10 cs.LG stat.ML
Adapting ELM to Time Series Classification: A Novel Diversified Top-k Shapelets Extraction Method
China University of Mining Technology(中国矿业大学)
ELM(Extreme Learning Machine)是一种单隐层前馈网络,输入层和隐层之间的权值被随机初始化。ELM是有效的,由于其利用的分析方法来计算隐藏层和输出层之间的权重。然而,ELM仍然无法输出语义分类结果。为了解决这样的限制,在本文中,我们提出了一个多样化的top-k形状变换框架,其中形状是连续性,即,每个类别的最佳代表性和解释性特征。正如我们所发现的,最具挑战性的问题是如何在原始候选集中提取最佳k形状以及如何自动确定k值。具体地说,我们首先定义了相似形状和多样化的top-k形状来构造多样性形状图。在此基础上,提出了一种基于多样性图的top-k形状特征提取算法\textbf{DivTopkshapelets} \。最后,我们提出了一个形状变换ELM算法命名为\textbf{DivShapELM}自动确定的k值,这是进一步利用时间序列分类。在公开数据集上的实验结果表明,该方法在有效性和效率方面明显优于传统的ELM算法。
2016-06-20 cs.LG
Ensembles of Randomized Time Series Shapelets Provide Improved Accuracy while Reducing Computational Costs
Johannes Gutenberg University Mainz(美因茨约翰内斯·古腾堡大学)
Shaperies是一种判别性的时间序列连续性,它允许生成可解释的分类模型,与最近邻方法相比,它提供了更快且通常更好的分类。然而,shapelet发现过程需要评估训练集中所有时间序列的所有可能的连续性,这使得它非常计算密集。因此,大型时间序列数据集的shapelet发现很快变得棘手。为减少培训时间,提出了若干改进建议。这些技术使用近似或离散化,并且与精确方法相比通常导致降低的分类精度。我们建议使用集合的shapelet为基础的分类器使用随机抽样的shapelet候选人。使用随机抽样减少了被评估的候选者的数量,从而减少了所需的计算成本,同时所得模型的分类准确度也与精确算法的分类准确度没有显著差异。由于解决方案的多样性,随机分类器的组合纠正了单个模型的不准确性。基于所进行的实验,它表明,所提出的方法,使用一个合奏的廉价分类器提供了更好的分类精度相比,精确的方法在一个显着降低计算成本。
2017-02-22 cs.LG
AUTOSHAPE: An Autoencoder-Shapelet Approach for Time Series Clustering
Hong Kong Baptist University(香港浸会大学);Nanyang Technological University(南洋理工大学);The Chinese University of Hong Kong(香港中文大学)
时间序列形状是最近发现的有效的时间序列聚类(TSC)的歧视性的顺序。形状图便于解释聚类。因此,TSC的主要挑战是发现高质量的可变长度形状来区分不同的聚类。在本文中,我们提出了一种新的autoencoder-shapelet方法(AUTOSHAPE),这是第一个研究,以利用autoencoder和shapelet确定shapelet在无监督的方式。一个自动编码器是专门设计来学习高质量的形状。更具体地说,为了指导潜在的表示学习,我们采用最新的自监督损失来学习不同变量的可变长度shapelet候选(时间序列连续性)的统一嵌入,并提出多样性损失来选择统一空间中的区别性嵌入。我们引入重建损失来恢复原始时间序列空间的形状,以进行聚类。最后,我们采用Davies Bouldin索引(DBI)来通知AUTOSHAPE学习过程中的聚类性能。我们在AUTOSHAPE上进行了大量的实验。为了评估单变量时间序列(UTS)的聚类性能,我们使用UCR存档数据集将AUTOSHAPE与15种代表性方法进行了比较。为了研究多变量时间序列(MTS)的性能,我们使用5种竞争方法在30个UEA存档数据集上评估AUTOSHAPE。实验结果表明,AUTOSHAPE是所有方法中最好的一种。我们解释集群的形状,并可以得到有趣的直觉集群在两个UTS的案例研究和一个MTS的案例研究,分别。
2022-08-18 cs.AI cs.LG
Approaches and Applications of Early Classification of Time Series: A Review
Indian Institute of Technology (BHU) Varanasi(瓦拉纳西印度理工学院(BHU))
时间序列的早期分类已被广泛研究,以最大限度地减少医疗保健和金融等对时间敏感的应用中的类预测延迟。早期分类方法的一个主要任务是尽可能快地对不完整的时间序列进行分类,并具有一定的准确度。近年来,出现了几种时间序列的早期分类方法。由于大多数方法都从不同方面解决了早期分类问题,因此对现有解决方案进行全面审查以了解该领域的现状变得非常重要。这些解决方案已经证明了合理的性能,在广泛的应用,包括人类活动识别,基因表达为基础的健康诊断,工业monitoring,等在本文中,我们提出了一个系统的回顾,目前的文献早期分类方法为单变量和多变量的时间序列。我们将各种现有的方法分为四个专属类别的基础上,他们提出的解决方案的战略。这四类方法包括基于前缀的方法、基于shapelet的方法、基于模型的方法和其他方法。作者还讨论了早期分类在许多领域的应用,包括工业监测,智能交通和医疗。最后,我们对当前文献进行了快速总结,并指出了未来的研究方向。
2020-10-15 cs.LG stat.ML
Castor: Competing shapelets for fast and accurate time series classification
Stockholm University(斯德哥尔摩大学)
提出基于 shapelets 的时间序列分类算法 Castor,通过将具有不同膨胀的 shapelets 分组并使其在时间上下文上竞争以构建多样化特征表示,显著提升了分类准确率并给出了高效默认超参数。
2024-03-19 cs.CV cs.LG
Shapelet-based Model-agnostic Counterfactual Local Explanations for Time Series Classification
Leiden University(莱顿大学)
本研究提出面向时间序列分类的模型无关事后可解释算法Time-CF,结合shapelets与TimeGAN生成反事实解释,在UCR数据集多任务上四项可解释性指标均优于现有最优方法。
2024-02-02 cs.LG
ShapeCond: Fast Shapelet-Guided Dataset Condensation for Time Series Classification
Shanghai Key Lab of Data Science, College of Computer Science and Artificial Intelligence, Fudan University, Shanghai, China(上海数据科学联合实验室,计算机科学与人工智能学院,复旦大学,上海,中国);Stanford University, Stanford, USA(斯坦福大学,斯坦福,美国);Ocean University of China(中国海洋大学);Shanghai Data Research Institute(上海数据研究院);Mohamed bin Zayed University of Artificial Intelligence Abu Dhabi, United Arab Emirates(阿布扎克穆罕默德·本·扎耶德人工智能大学)
ShapeCond通过形状图引导的优化策略,高效压缩时间序列数据集,提升下游分类准确性。
2026-02-09 cs.LG
INSHAPE: Instance-Level Shapelets for Interpretable Time-Series Classification
Department of Artificial Intelligence, Korea University(韩国大学人工智能系)
本文提出INSHAPE框架,通过发现每个时间序列特有的变量长度判别性时间模式,解决传统方法在实例特定特征与整体模式不一致以及忽略时间依赖性的问题,从而提高时间序列分类的可解释性和预测性能。
2026-08-14 cs.AI cs.LG
ShapeX: Shapelet-Driven Post Hoc Explanations for Time Series Classification Models
Griffith University(格里菲斯大学);Hong Kong University of Science and Technology (Guangzhou)(香港科学与技术大学(广州));NVIDIA(英伟达);Hainan University(海南大学);Squirrel Ai Learning, USA(Squirrel Ai Learning(美国));Salesforce Research Asia(Salesforce亚洲研究)
ShapeX提出基于shapelet驱动分割和Shapley值的事后解释框架,通过SDD学习关键shapelets,提升时间序列分类解释的精确性与因果保真度。
2025-10-25 cs.AI cs.LG
Multi-source Transfer Learning of Time Series with a Shapelet-based Distance Measure
Kyushu University(九州大学)
本文提出一种无需训练的Shapelet Matching源选择方法,通过shapelet相似度选择多个源数据集进行多源预训练,在UCR 128个数据集上降低了负迁移风险,并在CNN和Transformer架构上表现优异。
2026-09-15 cs.LG
Shapelets-Enriched Selective Forecasting using Time Series Foundation Models
本文提出基于形状let的选性预测框架,利用时间序列基础模型减少预测误差,提升模型可靠性。
2026-01-16 cs.LG
TimeCSL: Unsupervised Contrastive Learning of General Shapelets for Explorable Time Series Analysis
Harbin Institute of Technology(哈尔滨工业大学);CnosDB Inc.(CnosDB公司)
本文提出端到端系统 TimeCSL,利用 CSL 无监督对比学习得到的通用可解释 Shapelet,在统一流水线中支持分类、聚类、异常检测及可探索分析。
2024-04-07 cs.DB cs.LG
Benchmarking Multivariate Time Series Classification Algorithms
University of East Anglia(东英吉利大学)
本文基于UEA多变量时间序列存档的26个等长问题,对深度学习、shapelets和词袋等专用MTSC算法及单变量分类器集成进行基准比较,发现HIVE-COTE独立集成最准确,而动态时间规整仍具竞争力。
2023-04-26 cs.LG stat.ML
Shape-based Evaluation of Epidemic Forecasts
传统上,对正在发生的流行病的传染病预测是作为数字目标进行的、传达的和评估的--提前1、2、3和4周的病例、死亡和住院。虽然预测这些数字目标对评估疾病负担有很大价值,但我们认为,传播这一流行病的未来趋势(描述其形态)也有价值-例如,病例数是保持不变还是预计会激增。为了确保所传达的信息是有用的,我们需要能够评估预测形状与地面真实形状的匹配程度。而不是把这作为一个分类问题(一个出$n$形状),我们定义了一个转换的数值预测到"shapelet“-空间表示。在该表示中,每个维度对应于形状与感兴趣的形状之一(shapelet)的相似性。我们证明,这种表示满足的属性,两个形状,人们会认为是相似的映射接近对方,反之亦然。我们证明,我们的表述能够合理地捕捉COVID-19病例和死亡时间序列的趋势。有了这个表示,我们定义了一个评估措施和多个模型之间的协议的措施。我们还将多个模型的shapelet空间集合定义为它们的shapelet空间表示的平均值。我们表明,这个集合能够准确地预测COVID-19病例和趋势的未来趋势。我们还表明,模型之间的协议可以提供一个很好的指标预测的可靠性。
2022-11-11 q-bio.QM stat.AP
Towards a Near Universal Time Series Data Mining Tool: Introducing the Matrix Profile
UNIVERSITY OF CALIFORNIA RIVERSIDE(加州大学河滨分校)
在过去的十年里,人们对文本、DNA和其他一些数据库的全对相似性搜索(或自连接)进行了大量的研究,这些系统已被应用于许多不同的数据采掘问题。然而,令人惊讶的是,在解决这个问题的时间序列的连续性方面几乎没有取得进展。在这篇论文中,我们介绍了一个几乎通用的时间序列数据采掘工具,称为矩阵配置文件,它解决了所有对相似性搜索问题,并以易于访问的方式缓存输出。该算法不仅具有无参数、精确、可扩展等优点,而且对单维和多维时间序列都适用。通过在矩阵轮廓之上构建时间序列数据采掘方法,许多时间序列数据采掘任务(例如,模体发现、不一致发现、小形状发现、语义分割和聚类)可以被有效地解决。由于同一个矩阵轮廓可以被不同的时间序列数据采掘方法所共享,因此矩阵轮廓是通用的和计算一次使用多次的数据结构。我们证明了许多时间序列数据采掘问题,包括主题发现,不和谐的发现,弱标记的时间序列分类,和表示学习域地震学,昆虫学,音乐处理,生物信息学,人类活动监测,电力需求监测和医学的矩阵配置文件的效用。我们希望矩阵概要不是结束,而是更多时间序列数据采掘项目的开始。
2020-07-11 cs.AI cs.LG stat.ML
A Shapelet-based Framework for Unsupervised Multivariate Time Series Representation Learning
Harbin Institute of Technology(哈尔滨工业大学);Huawei Noah’s Ark Lab(华为诺亚方舟实验室)
针对现有多元时间序列无监督表示学习方法依赖跨领域模型与强假设的局限,提出基于shapelet的对比学习框架,经多任务实验验证性能优于同类及下游专用方法。
2024-08-17 cs.LG
Classification des S{é}ries Temporelles Incertaines par Transformation Shapelet
LIMOS(LIMOS实验室);CNRS(法国国家科学研究中心);University Clermont Auvergne(克莱蒙奥弗涅大学)
时间序列分类被广泛应用于气象学、医学和物理学等领域。它的目的是对按时间顺序排列的数据进行分类。在过去的十年中,已经建立了许多精确的方法,Shapelet变换就是其中之一。然而,这些方法都没有考虑到数据的不确定性。利用不确定性传播技术,我们提出了一种新的基于欧氏距离的相异性度量。我们还展示了如何使用这种新的措施,以适应shapelet变换不确定的时间序列分类。我们的贡献的实验评估是在一些最先进的数据集上完成的。
2019-12-11 cs.AI cs.LG
FedST: Secure Federated Shapelet Transformation for Time Series Classification
Harbin Institute of Technology(哈尔滨工业大学)
本文提出FedST,一种在联邦学习下基于形状let的时间序列分类框架,通过安全且高效的协议与优化,实现了高准确率和三个数量级的加速。
2024-08-17 cs.DB cs.LG
T-CGAN: Conditional Generative Adversarial Network for Data Augmentation in Noisy Time Series with Irregular Sampling
Politecnico Milano(米兰理工大学);Harvard University(哈佛大学)
本文提出了一种适用于不规则采样时间序列的数据增强方法--时间条件生成对抗网络(T-CGAN)。我们的方法是基于条件生成对抗网络(CGAN),其中生成步骤是由一个去卷积神经网络和卷积神经网络的判别步骤。生成器和时间序列生成器都以采样时间戳为条件,学习数据和时间戳之间的隐藏关系,从而生成新的时间序列。我们用合成和真实世界的数据集来评估我们的模型。对于合成数据,我们比较了用T-CGAN生成的数据训练的分类器的性能,以及用原始数据训练的相同分类器的性能。结果表明,在T-CGAN生成的数据上训练的分类器与在真实数据上训练的分类器的性能相同,即使是非常短的时间序列和小的训练集。对于现实世界的数据集,我们比较我们的方法与其他技术的数据增强的时间序列,如时间分片和时间扭曲,在分类问题与不平衡的数据集。结果表明,我们的方法总是优于其他方法,在规则采样和不规则采样的时间序列的情况下。我们实现了特别好的性能的情况下,一个小的训练集和短,噪声,不规则采样的时间序列。
2019-02-01 cs.LG stat.ML
ShapeFormer: Shapelet Transformer for Multivariate Time Series Classification
The University of Melbourne(墨尔本大学);Monash University(莫纳什大学)
ShapeFormer通过结合类别特定shapelet差异特征与通用卷积特征的双Transformer模块,在30个UEA数据集上取得最高准确率排名,解决了MTSC中类别特定特征被忽略的问题。
2024-05-23 cs.AI cs.LG
DMIDAS: Deep Mixed Data Sampling Regression for Long Multi-Horizon Time Series Forecasting
Carnegie Mellon University(卡内基梅隆大学)
神经预测在大规模系统的准确性方面有了显着的提高,但预测极长的时间范围仍然是一项具有挑战性的任务。两个常见的问题是预测的波动性和它们的计算复杂性;我们通过将平滑正则化和混合数据采样技术结合到性能良好的基于多层感知器的架构(NBEATS)来解决它们。我们验证了我们提出的方法,DMIDAS,在高频医疗保健和电价数据上具有较长的预测范围(约1000个时间戳),我们将预测精度提高了5%,比最先进的模型,减少了近70%的NBEATS参数数量。
2021-06-07 cs.LG stat.ML
ShapeWordNet: An Interpretable Shapelet Neural Network for Physiological Signal Classification
University of Science and Technology of China(中国科学技术大学);Tsinghua University(清华大学)
生理信号是一种高维时间序列,在医疗保健领域具有重要的应用价值。然而,以前的工作,其分类未能获得有希望的结果,由于棘手的数据特性和严重的标签稀疏性问题。在本文中,我们试图解决这些挑战,提出了一个更有效的和可解释的计划,为生理信号分类任务。具体来说,我们利用时间序列的形状来提取突出的局部模式,并进行可解释的序列离散化,以提取整个序列的信息。通过这样做,长且连续的原始信号被压缩成短且离散的令牌序列,其中局部模式和全局上下文都被很好地保留。此外,为了解决标签稀疏问题,自适应地设计了多尺度变换策略来扩充数据,并相应地设计了跨尺度对比学习机制来指导模型训练.我们将我们的方法命名为ShapeWordNet,并在三个真实世界的数据集上进行了广泛的实验,以研究其有效性。比较结果表明,我们提出的方案显着优于四类尖端方法。可视化分析进一步证明了基于Shapard的序列离散化思想的良好可解释性。
2023-02-10 cs.LG
Shapelet-Based Counterfactual Explanations for Multivariate Time Series
Utah State University(犹他州立大学);New Mexico State University(新墨西哥州立大学)
随着机器学习和深度学习模型在众多领域中变得非常普遍,决策过程中采用它们的主要保留是它们的黑箱性质。可解释的人工智能(XAI)范式最近因其降低模型不透明度的能力而获得了很大的发展势头。XAI方法不仅增加了利益相关者对决策过程的信任,还帮助开发人员确保其公平性。最近的努力是建立透明的模型和事后解释。然而,针对时间序列数据开发的方法较少,对于多变量数据集则更少。在这项工作中,我们利用了固有的可解释性的形状,开发了一个模型不可知的多变量时间序列(MTS)的反事实解释算法。反事实可以通过指示必须对输入执行哪些更改来更改最终决策,从而对黑盒模型的可解释性产生巨大影响。我们在现实生活中的太阳耀斑预测数据集上测试了我们的方法,并证明我们的方法产生了高质量的反事实结果。此外,与唯一的MTS反事实生成算法的比较表明,除了在视觉上可解释之外,我们的解释在接近性、稀疏性和可解释性方面都是优越的。
2022-08-22 cs.LG
Sensor selection on graphs via data-driven node sub-sampling in network time series
Université de Bordeaux(波尔多大学)
本文研究了在时间序列网络中选择最佳采样集的问题,以使未观测到的传感器的信号恢复具有最小的重构误差。这个问题的动机是应用程序中的时间相关的图形信号收集冗余网络。在这种情况下,人们可能希望仅使用传感器的子集来预测底层图中整个节点集合上的数据流。一个典型的应用是减少可能具有有限电池供应的传感器网络中的功耗的可能性。我们提出并比较了各种数据驱动的策略,以关闭固定数量的传感器或等效地选择一组采样节点。我们还将我们的方法与现有的文献中的传感器选择从多变量数据(可能)的底层图形结构。我们的方法结合了多变量时间序列分析,图形信号处理,高维统计学习和深度学习的工具。为了说明我们的方法的性能,我们报告了不同城市自行车共享网络的真实数据分析的数值实验。
2020-04-24 cs.LG stat.ML
Nyström Regularization for Time Series Forecasting
Xi’an Jiaotong University(西安交通大学);Southwestern University of Finance and Economics(西南财经大学)
研究了$τ$ -混合时间序列的Nyström正则化算法的学习率分析。利用最近发展的$τ$ -混合序列的Banach值Bernstein不等式和基于二阶分解的积分算子方法,我们成功地得到了$τ$ -混合序列的Nyström正则化的几乎最优学习率.一系列的数值实验验证了我们的理论结果,显示了良好的学习性能的Nyström正则化与顺序下采样学习海量时间序列数据。这些结果扩展了Nyström正则化的适用范围。样本至非i.i.d.序列的
2021-11-13 cs.LG stat.ML
Model Selection with a Shapelet-based Distance Measure for Multi-source Transfer Learning in Time Series Classification
Kyushu University(九州大学)
本文提出一种基于shapelet距离度量的多源选择方法,将多个时间序列数据集组合预训练神经网络,以低计算成本提升时间卷积神经网络的分类性能。
2024-09-30 cs.AI cs.LG
Boosting the kernelized shapelets: Theory and algorithms for local features
Kyushu University(九州大学);Keio University(庆应义塾大学);The Institute of Statistical Mathematics(统计数理研究所)
我们考虑使用局部特征的对象的二进制分类问题。其中一个激励应用是时间序列分类,其中反映时间序列和称为shapelet的模式序列之间的一些局部接近度度量的特征是有用的。尽管使用局部特征的这种方法在经验上取得了成功,但由此产生的假设的泛化能力尚未完全理解,并且以前的工作依赖于一堆数学模型。在本文中,我们制定了一类假设使用本地功能,功能的丰富性是由内核控制。我们推导出泛化范围的稀疏合奏类,这是指数优于一个标准的分析,在可能的本地功能的数量。由此产生的优化问题是非常适合的助推方法和弱学习问题制定为一个DC程序,实用的算法存在。在时间序列数据集的初步实验中,我们的方法实现了竞争力的准确性与国家的最先进的算法,小参数调整成本。
2017-09-07 cs.LG
Heterogeneous Relationships of Subjects and Shapelets for Semi-supervised Multivariate Series Classification
提出一种利用异构主体与形状let关系构建异构图表,结合对比时间自注意力、软动态时间规整和双层图注意力网络,实现半监督多元时间序列分类,并在多个数据集上超越现有方法。
2025-06-18 cs.AI cs.LG
From BOP to BOSS and Beyond: Time Series Classification with Dictionary Based Classifiers
University of Rennes 1(雷恩第一大学);University of Rennes 2(雷恩第二大学)
本文通过解构对比 BOP 和 BOSS 两种基于字典的时间序列分类算法,并引入计算机视觉中的 Spatial Pyramids 等技术,提出了准确率显著优于原算法且媲美最优方法的 SP 分类器。
2018-09-18 cs.LG stat.ML
Shapelets for earthquake detection
University of Notre Dame(圣母大学)
介绍了一种嵌入机器学习的基于时间序列形状的地震自主检测方法EQShapard(EarthQuake Shapard)。它有望克服地震学领域与地震自动检测和编目有关的挑战。EQ形状是幅度和相位独立的,即,它们的探测灵敏度与地震的震级和发生时间无关。它们对噪声和其他杂散信号也是鲁棒的。EQShapard的检测能力进行了测试,一个星期的连续地震数据提供的北加州地震网络(NCSN)从一个站在加利福尼亚州中部附近的卡拉韦拉斯断层。结合随机森林分类器的EQShapard算法,以较低的误检率检测到所有已编目地震和281个未编目事件,从而提供了比自相关和FAST算法更好的性能。EQShapard相对于其他方法的主要优势在于它提供的可解释性和洞察力。基于形状的方法直观,视觉上有意义,并提供对问题领域的即时洞察,超越了它们在准确检测中的用途。如果大规模实施,EQShapard可以显着降低目录完整性的幅度,并可以作为近实时地震监测和编目的有效工具。
2019-11-20 cs.LG stat.ML
Temporal Feature Selection on Networked Time Series
考虑时间序列间的关联信息,提出了从网络时间序列数据中学习判别特征(\textit{i.e.,}段)的问题。例如,社交网络用户被认为是持续生成表示为时间序列的社交信号(推文)的社交传感器。在时间序列中,区分性片段通常被称为\emph{shapelets}。提取时间序列的形状特征是一个广泛研究的课题。然而,现有的工作shapelet选择假设的时间序列是独立和同分布(i.i.d.)。这个假设限制了他们的应用程序的社会网络的时间序列分析,因为用户的行为可以与他/她的社会关系。本文提出了一种新的网络正则化最小二乘(NetRLS)特征选择模型,结合典型的时间序列数据和用户网络数据进行分析。在真实网络时间序列Twitter和DBLP数据上的实验验证了该方法的有效性。NetRLS在真实世界数据上的性能优于LTS,LTS是最先进的时间序列特征选择方法。
2016-12-22 cs.LG
Variance Reduced Training with Stratified Sampling for Forecasting Models
Cornell University(康奈尔大学);Amazon Web Services (AWS) AI Labs(亚马逊云科技(AWS)人工智能实验室);Amazon Research(亚马逊研究院);University of Pennsylvania(宾夕法尼亚大学)
在大规模的时间序列预测中,人们经常会遇到这样的情况,即时间序列的时间模式随着时间的推移而漂移,在同一数据集中彼此不同。在本文中,我们证明了在这种异质性下,使用常用的随机优化器(例如SGD)训练预测模型可能会在梯度估计上遭受较大的方差,从而导致长时间的训练。我们表明,这个问题可以有效地缓解通过分层,它允许优化器从预先分组的时间序列层采样。为了更好地权衡梯度方差和计算复杂性,我们进一步提出了SCott(随机分层控制变量梯度下降),方差减少SGD风格的优化器,利用分层采样通过控制变量。在理论上,我们提供了光滑非凸目标上SCott的收敛保证。从经验上讲,我们评估SCott和其他基线优化合成和现实世界的时间序列预测问题,并证明SCott收敛速度更快的迭代和挂钟时间。
2021-06-11 cs.LG stat.ML
Learning Soft Sparse Shapes for Efficient Time-Series Classification
本文提出 SoftShape 模型,通过软稀疏化和软学习模块保留全部 shapelet 信息并学习形状内与形状间时间模式,在高效时间序列分类中超越现有方法并保持可解释性。
2025-06-03 cs.LG
Accurate Characterization of Non-Uniformly Sampled Time Series using Stochastic Differential Equations
ExxonMobil Research and Engineering Company(埃克森美孚研究与工程公司)
当实验者不能完全控制被研究过程的取样特性时,非均匀取样就产生了。此外,它被有意地引入到诸如贝叶斯优化和压缩感知的算法中。我们认为,随机微分方程(SDES)是特别适合于表征二阶矩的时间序列。我们引入新的初始估计的数值优化的可能性,增量估计和自回归模型的初始化的基础上。此外,我们引入模型截断作为一个纯粹的数据驱动的方法,以减少估计模型的基础上的最大似然阶。我们显示了新的估计在模拟实验中实现的精度增加,涵盖了所有具有挑战性的情况下,可能会遇到的特征非均匀采样的时间序列。最后,我们应用新的估计实验降雨变率数据。
2020-07-02 cs.LG stat.ML
Deep Non-Parametric Time Series Forecaster
Amazon(亚马逊);Zalando
本文提出非参数时间序列预测基线模型,通过从经验分布采样生成预测,并开发全局版本自动学习采样策略,在多个数据集上表现稳定,可作为强基线。
2023-12-22 cs.LG stat.ML
Optimal Sampling Designs for Multi-dimensional Streaming Time Series with Application to Power Grid Sensor Data
Department of Statistics(统计系);Data Science, University of Central Florida, Orlando, FL 32826 USA(数据科学系,中央佛罗里达大学);Department of Statistics, University of Georgia, Athens, GA 30602 USA(统计系,佐治亚大学)
针对多维流式时间序列在线分析的计算成本问题,提出基于D-最优性准则的混合伯努利与杠杆得分采样方法,在电网数据上优于基准方法。
2023-03-14 cs.LG stat.AP stat.ML
Time Series (re)sampling using Generative Adversarial Networks
University of Southern Denmark(南丹麦大学);University of Bristol(布里斯托大学)
提出了一种基于生成对抗网络(GANs)的依赖数据引导过程。我们表明,常见的平稳时间序列过程的动态可以通过GANs学习,并证明在单个样本路径上训练的GANs可以用于从过程中生成额外的样本。我们发现,时间卷积神经网络提供了一个合适的设计的发生器和振荡器,令人信服的样本可以产生的基础上的一个向量的iid正常噪声。我们证明了有限样本特性的GAN采样和建议的引导使用模拟,我们比较的性能,循环块引导的情况下,restauran AR(1)时间序列过程。我们发现,使用GAN的restrobe可以在经验覆盖方面优于循环块自举。
2021-01-30 cs.LG econ.EM stat.ME
Data Anomaly Detection for Structural Health Monitoring of Bridges using Shapelet Transform
University of Notre Dame(圣母大学)
随着传感器技术的广泛应用,许多结构健康监测(SHM)系统被部署用于监测民用基础设施。连续监测提供了关于结构的有价值的信息,这些信息可以帮助提供用于改造和其他结构修改的决策支持系统。然而,当传感器暴露在恶劣的环境条件下时,由SHM系统测量的数据往往会受到故障或损坏的传感器引起的多个异常的影响。鉴于随着时间的推移不断收集大量的高维数据,研究使用机器学习方法来检测异常是SHM社区非常感兴趣的话题。本文有助于这一努力,提出使用一个相对较新的时间序列表示命名为Shapelet变换结合随机森林分类器,自主识别SHM数据中的异常。shapelet变换是一种独特的时间序列表示,它完全基于时间序列数据的形状。考虑到每个异常所特有的个体特征,这种变换的应用产生了一种新的基于形状的特征表示,该特征表示可以与任何标准机器学习算法相结合,以在没有人工干预的情况下检测异常数据。对于本研究,异常检测框架包括三个步骤:从异常数据中识别独特的形状,使用这些形状将SHM数据转换到局部形状空间,并在此转换后的数据上训练机器学习算法以识别异常。该方法的有效性证明了从安装在中国大跨度桥梁的SHM系统的加速度数据的异常识别。结果表明,该方法能自动检测出SHM数据中的多重异常,且检测精度较高。
2021-10-18 cs.LG eess.SP
OSTSC: Over Sampling for Time Series Classification in R
OSTSC包是一个强大的过采样方法,用于对R中的单变量但多项时间序列数据进行分类。本文简要概述了该软件包实现的过采样方法。提供了OSTSC包的教程。我们首先为用户提供三个测试用例,以快速验证包中的功能。为了证明OSTSC的性能影响,我们提供了两个中等大小的不平衡的时间序列数据集。每个示例都将长短期记忆(LSTM)分类器(一种递归神经网络(RNN)分类器)的TensorFlow实现应用于不平衡的时间序列。分类器的性能进行了比较,没有过采样。最后,对这两个数据集的较大版本进行评估,以证明该软件包的可扩展性。实例表明,OSTSC包提高了应用于高度不平衡的时间序列数据的RNN分类器的性能。特别是,OSTSC被观察到在由30,000个时间序列观察组成的高频交易数据集上将LSTM的AUC从0.543增加到0.784。
2017-11-27 stat.CO stat.ML