时间参数化的卷积神经网络用于不规则采样的时间序列
摘要：不规则采样的多变量时间序列在各个应用领域中无处不在，导致不完全观测和非对齐的观测结果。标准的序列神经网络架构，例如循环神经网络（RNN）和卷积神经网络（CNN），考虑观测时间之间的规则间隔，对不规则时间序列建模提出了重大挑战。虽然大多数提出的架构采用RNN变体来处理不规则时间间隔，但卷积神经网络在不规则采样设置中尚未得到充分研究。在本文中，我们通过使用时间明确初始化的核来对卷积层进行参数化。这种时间的一般函数增强了连续时间隐藏动态的学习过程，并且可以有效地融入卷积核权重中。因此，我们提出了一种时间参数化的卷积神经网络（TPCNN），它与普通卷积具有类似的特性，但经过精心设计，适用于不规则采样的时间序列。我们在涉及真实世界不规则采样的多变量时间序列数据集的插值和分类任务上评估TPCNN。我们的实验结果表明，所提出的TPCNN模型具有竞争力的性能，而且比其他最先进的方法更高效。同时，所提出的架构通过利用可学习的时间函数的组合，提高了输入序列的可解释性，在后续任务中改善了网络性能，并加快了卷积在这一领域的应用。
作者：Chrysoula Kosma, Giannis Nikolentzos, Michalis Vazirgiannis
论文ID：2308.03210
分类：Machine Learning
分类简称：cs.LG
提交时间：2023-08-10