Two Birds with One Stone: Series Saliency for Accurate and Interpretable Multivariate Time Series...
Two Birds with One Stone: Series Saliency for Accurate and Interpretable Multivariate Time Series...
进行准确和可解释的时间序列预测是重要的,但也是具有挑战性的。虽然深度学习方法可以提高预测精度,但往往会牺牲可解释性。在本文中,我们提出了一种新的系列显著性方案,以提高准确性和可解释性。通过从时间序列的滑动窗口中提取序列图像,我们设计了序列显著性作为序列图像与其扰动版本之间的一种混合策略,并在其之间添加了可学习的掩码。序列显著性与模型无关,是一种用于训练深度模型的自适应数据增强方法。此外,通过略微改变目标,我们优化序列显著性,以找到一个掩模,在特征和时间维度上都可解释预测。在多个真实数据集上的实验结果表明,序列显著性能有效地产生准确的时间序列预测结果和时间解释。
背景:
1.现有的工作通常要么考虑时间域,要么考虑特征域,或者通过两阶段方法分别处理它们。
总结:这篇论文很有参考性,在时间域和频率域上进行结合分析。尤其文中提出使用一种类似图像序列feature map的方法,可以有效将不同时刻下,时间序列特征提取出来,在时间维度上形成一系列的图像序列图。
方案:
我们提出了一种新的序列显著性策略,通过连贯地考虑时间和特征维来提高深度时间序列模型的预测精度和可解释性。
我们将多元时间序列视为一组窗口特征序列图像,将序列显著性设计为序列图像与其扰动图像之间的掩码混合,其中掩码是一个可学习的矩阵。系列显著性是模型无关的,可以作为一种有效的数据增强方法来提高深度预测模型的准确性,其中增强策略是可学习的和自适应的,因此不同于常见的增强方法。此外,通过简单地改变目标函数,我们可以优化系列显著性模块,以找到一个掩码(即热图),确定用于预测的重要区域,从而提高可解释性。
框架
1)Series Saliency
序列显著性有利于提高时间序列数据的预测精度和解释。我们首先将多元时间序列表示为一组二维序列图像,在给定的时间窗口内,每个序列图像都对应着多元时间序列的一部分。
为了减轻对噪声(或模糊)的敏感性,序列显著性模块进一步引入了一个可学习的掩模M,并有选择地将参考序列图像和原始图像结合起来
Training with Series Saliency
我们建议将最终的预测分解成专注于局部规模问题线性部分加上包含复杂时间模式的非线性部分
1)对于线性部分,我们选择一个自回归模型
2)a nonlinear deep learning (DL)
3)最终的预测结果由DL和AR的输出组合得到:
training loss
interpretation loss
实验部分
结论
我们提出了一种新的序列显著性方案,以提高多元时间序列预测的准确性和可解释性。通过从时间序列的滑动窗口中提取序列图像,我们将序列显著性设计为一种混合方法,在序列图像及其扰动版本上定义一个可学习的掩码。序列显著性作为一种自适应的数据增强方法用于训练深度模型,同时通过对目标的轻微改变,优化该方法可以在特征维和时间维上找到可解释预测的掩模。实验结果表明,序列显著性优于各种基线。
Two Birds with One Stone: Series Saliency for Accurate and Interpretable Multivariate Time Series...相关推荐
- excel html modify,在Excel 2010中修改Series对象上的Z-index(Modify Z-index on Series object in Excel 2010)...
在Excel 2010中修改Series对象上的Z-index(Modify Z-index on Series object in Excel 2010) 我正在使用excel 2010. 我有一个 ...
- 文献记录(part43)--Multivariate time series clustering based on complex network
学习笔记,仅供参考,有错必纠 关键词:多元时间序列:数据挖掘:聚类分析:复杂网络 Multivariate time series clustering based on complex networ ...
- pandas查看两个series、list元素的包含关系(查看一个series的每个元素是否在另一个series中)
使用Series.isin()即可,例: 检查['a', 'b', 'c', 'd', 'e', 'f']的每一个元素是否在['a', 'b', 'bc', 'd', 'e']中 import pan ...
- filling the g ap s: multivariate time series imputation by graph neural networks
filling the g ap s: multivariate time series imputation by graph neural networks 在处理来自真实应用程序的数据时,处理缺 ...
- 论文笔记:FILLING THE G AP S: MULTIVARIATE TIME SERIES IMPUTATION BY GRAPH NEURAL NETWORKS
0 abstract & introduction 之前的补全方法并不能很好地捕获/利用 不同sensor之间的非线性时间/空间依赖关系 高效的时间序列补全方法,不仅应该考虑过去(或者未来)的 ...
- series 合并pandas_在python中pandas的series合并方法
如下所示: In [3]: import pandas as pd In [4]: a = pd.Series([1,2,3]) In [5]: b = pd.Series([2,3,4]) In [ ...
- Connecting the Dots: Multivariate Time Series Forecasting with Graph Neural Networks
Connecting the Dots: Multivariate Time Series Forecasting with Graph Neural Networks 摘要:长期以来,多元时间序列建 ...
- 【论文精读】Temporal Fusion Transformers for Interpretable Multi-horizon Time Series Forecasting
[论文精读]Temporal Fusion Transformers for Interpretable Multi-horizon Time Series Forecasting 针对未来的一个多步 ...
- A Transformer-based Framework for Multivariate Time Series Representation Learning(KDD2022)
A Transformer-based Framework for Multivariate Time Series Representation Learning(KDD2022) 提出了一种基于t ...
- 【时序聚类】Neurocomputing:Multivariate time series clustering based on common principal component analysi
分析2019Neurocomputing 1区论文Multivariate time series clustering based on common principal component ana ...
最新文章
- HDS HDIM背后的小秘密
- Spring Framework中的作用域代理
- XAMPP on Mac 组态 Virual Host
- 作者:钱宇华(1976-),男,博士,山西大学计算智能与中文信息处理教育部重点实验室教授...
- 【转】tensorflow中的batch_norm以及tf.control_dependencies和tf.GraphKeys.UPDATE_OPS的探究
- Linux设备驱动模型-Device
- 过滤钩子驱动程序一(微软DDK文档,FLASHSKY翻译)
- 软考高项-案例分析背诵
- creat是什么意思中文翻译_CREAT是什么意思中文翻译
- 2017年域名从Godaddy转移到Namesilo过程全记录
- bootstrap动态折叠菜单,按钮拉伸,菜单动态获取数据
- iPad 变身做电脑显示器
- 如何启动一个ATX电源
- CMAP是否可以使用RemoveAll()释放内存?CMAP如何释放内存?
- hp台式计算机怎么进bois,hp台式机怎么进bios图解
- 批量下载ts视频文件
- 线上bug检测工具 android,Android 测试中对于偶现且难以重现的 bug 的处理
- 白杨SEO:小红书关键词搜索量怎么查?小红书关键词搜索长尾下拉词如何深处挖掘?
- 最近做Jpeg编解码遇到的问题
- Java虚拟机是如何识别目标方法的?
热门文章
- Xcode中蓝色和黄色文件夹的区别
- 常见报错(2)没有为工厂1010订单类型PP01定义参数 消息号 RU010
- POJ 1392 Ouroboros Snake(数位欧拉:输出路径)
- Android Studio 搭建微信界面
- C++对windows控制面板的操作
- Java8:Effectively final
- Similarity Reasoning and Filtration for Image-Text Matching
- Request method ‘POST‘ not supported
- Hypervisor介绍
- 苹果手机(IOS)蓝牙相关知识【配对后蓝牙设置界面i标识】【连接参数的限制】[只以地址作为识别依据]