Triple-shapelet Networks for Time SeriesClassification（ICDM2020）

Shapelets是时间序列分类的判别子序列。尽管基于形状的方法已经取得了良好的性能和可解释性，但它们仍然有两个问题需要改进。首先，以前的方法只是通过对所有样本进行分类的准确性来评估一个shapelet。然而，对于多类不平衡分类任务，这些方法将忽略能够区分少数类和其他类的shapelets，而倾向于使用能够区分多数类的shapelets。其次，在训练阶段后，shapelets是固定的，不能适应有变形的时间序列，这将导致该shapelets匹配不佳。在本文中，我们提出了一种新的端到端shapelet学习模型，称为三重shapelet网络(TSNs)，以提取多层次的特征表示。具体来说，与之前的方法类似，TSN通过梯度下降法学习最具分辨力的shapelets。此外，它还通过使用辅助二进制分类器来学习每个类的特定类别的shapelets。最后，它使用shapelet生成器根据输入时间序列的子序列产生特定于样本的shapelets。在标准模型中加入类别级和样本级shapelets可以提高模型的性能。在大量的时间序列数据集上进行的实验表明，与现有的基于形状的方法相比，TSN是最先进的，可视化分析也表明了它的有效性。

背景：对于多类分类任务，标准的基于shapelet的方法将倾向于找到可以分离大部分类的shapelets，而不是能够完美地将一个类与其他类分离的shapelet 

2）另一个问题是，时间序列的形状会发生变化，时间序列的微小变化可能会导致与数据不匹配的shapelets 

PROPOSED METHOD

在本文中，我们提出了一个新的模型，称为三重Shapelet网络(TSN)。具体来说，TSN学习shapelets的基础是区分所有类别(all-vs-all)、区分每个类别(one-vs-all)以及使用动态生成的shapelets(特定于样本的shapelets)对单个时间序列进行分类。然后利用学习到的shapelets对输入时间序列进行shapelets变换，提取判别特征;最后，将提取的特征输入到softmax层，计算每个类的概率分布。 

General Shapelets 

 

 Category-specific Shapelets

 

 

 

 Overall Loss Function