.png){kind=icon}
返回
Efficient cheap all-layer aggregation network for time-sensitive time series classification
.png){kind=icon}
PRE
AI
DOI：10.1016/j.knosys.2026.116016.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
时间序列分类是数据挖掘领域的关键研究方向，因为它为实现各种实际应用奠定了基础。现有的深度学习方法通常依赖于序列层末端表示的高层特征，导致复杂和多尺度时间动态的信息丢失。近期研究采用了层聚合策略来整合多层级时间信息。然而，由于巨大的计算成本，最终分类器难以利用所有先前层的时间特征，这使得开发时间敏感型任务变得具有挑战性。为解决此问题，我们提出了一种廉价的全部层聚合结构，旨在提升分类性能同时保持计算效率。通过利用可学习的通道级变换矩阵和可扩展的层聚合池，所提出的模型能够整合所有层的信息而无需增加计算成本。我们首先在六个公开基准数据集的七个时间序列分类任务中，将所提出的模型与基线方法进行了比较。为进一步强调我们的主张，我们在六个额外的人类活动识别数据集上评估了所提出的模型。所提出的模型在保持计算效率的同时达到了最先进性能。所提出网络的源代码公开可访问于 https://github.com/jgpark92/CALANet。
Keyword:
Time series classification
Time-sensitive tasks
Neural networks
Computational efficiency
期刊
K
IF:
7.6
论文数:
1.2W
被引数:
4.5W
机构
引用论文
A review of unsupervised feature learning and deep learning for time-series modeling用于时间序列建模的无监督特征学习和深度学习综述
OAAI
OAAI分享收藏A deep learning framework for time series classification using Relative Position Matrix and Convolutional Neural Network.png)
NEUROCOMPUTING
NEUROCOMPUTINGIF6.5
PREAI
分享收藏A Novel Deep Learning Bi-GRU-I Model for Real-Time Human Activity Recognition Using Inertial Sensors一种新的深度学习bi-gru-i模型，用于使用惯性传感器进行实时人体活动识别IEEE SENSORS JOURNAL
IEEE SENSORS JOURNALIF4.5
PREAI
分享收藏分享收藏
查看更多内容