SMATE: Semi-Supervised Spatio-Temporal Representation Learning on Multivariate Time Series

摘要：多元时间序列(MTS)的学习近年来受到广泛关注。特别是考虑到MTS的复杂维数和连续的数据结构，标签短缺对MTS的分类任务是一个真正的挑战。与自我训练和阳性标记学习依赖基于距离的分类器,在本文中,我们提出SMATE,小说semi-supervised模型学习可判断的时空表示从弱MTS的标签。我们验证经验学习表示30日公共数据集从UEA MTS档案。我们将其与13种用于完全监督任务的最新基线方法和4种用于半监督任务的基线方法进行比较。结果表明了该方法的可靠性和有效性

背景：

存在的方法大多是完全监督的，在构建MTS分类器时很少考虑标签短缺问题。

方案：

为了解决MTS的复杂结构和标签短缺问题，我们提出了smat，即多元时间序列上的半监督时空表示学习。基于自编码器的结构可以将MTS样本从原始特征空间X映射到低维嵌入空间h。空间建模块结合多层卷积网络捕获空间动态，而基于gru的结构提取时间动态特征。因此，smat能够将MTS样本的基本时空特征压缩到低维嵌入中。在此嵌入空间H的基础上，我们提出了一个半监督的三步正则化过程，使模型学习类可分离表示，其中标记样本和未标记样本都有助于模型的优化。这种正则化过程在每一步都具有可视化的能力，使smat具有可解释性。