DisMS-TS: Eliminating Redundant Multi-Scale Features for Time Series Classification
Created by
Haebom
저자
Zhipeng Liu, Peibo Duan, Binwu Wang, Xuan Tang, Qi Chu, Changsheng Zhang, Yongsheng Huang, Bin Zhang
개요
본 논문은 실세계 시계열 데이터의 복잡한 시간적 변화를 효과적으로 포착하기 위해 다중 스케일 분석 기반의 새로운 시계열 분류 프레임워크인 DisMS-TS를 제안합니다. 기존 방법들이 다중 스케일 시계열에서 중복되는 스케일 공유 특징을 제거하지 못해 성능 저하를 야기하는 문제점을 해결하기 위해, DisMS-TS는 시간적 분리 모듈을 통해 스케일 공유 및 스케일 특정 시간적 표현을 각각 포착합니다. 또한, 두 가지 정규화 항을 도입하여 스케일 공유 표현의 일관성과 스케일 특정 표현의 차이를 보장함으로써 효과적인 학습을 가능하게 합니다. 다양한 데이터셋에서의 실험 결과, DisMS-TS는 기존 방법들보다 최대 9.71% 향상된 정확도를 보이며 우수성을 입증합니다.
시사점, 한계점
•
시사점:
◦
다중 스케일 시계열 분석에서 중복된 특징 제거의 중요성을 강조하고, 효과적인 해결 방안을 제시합니다.
◦
시간적 분리 모듈과 정규화 항을 통해 다중 스케일 시계열 분류 성능을 향상시킬 수 있음을 보여줍니다.
