본 논문은 다변량 시계열(MTS) 분류를 위한 새로운 반지도 학습 방법을 제안합니다. 고차원 데이터 모델링의 어려움과 레이블링된 데이터 부족으로 인한 기존 MTS 분류 방법의 성능 저하 문제를 해결하기 위해, 다양한 유형의 추가 정보를 통합하고 이들 간의 관계를 포착하는 이종 관계 및 셰이플릿 방법을 제시합니다. 먼저 대조적 시간적 자기 주의 모듈을 사용하여 희소 MTS 표현을 얻고, 소프트 동적 시간 워핑을 사용하여 이러한 표현 간의 유사성을 모델링하여 유사성 그래프를 구성합니다. 다음으로, 서로 다른 주체 유형에 대한 셰이플릿을 학습하고, 주체 특징과 해당 셰이플릿을 추가 정보로 통합하여 유사성 그래프를 더욱 개선하여 이종 그래프를 생성합니다. 마지막으로, 이중 수준 그래프 주의 네트워크를 사용하여 예측을 수행합니다. 실험 결과, 본 방법은 다양한 MTS 분류 작업에서 최첨단 방법을 능가하는 성능을 보였습니다.
