MSNetとLS-Net: 時系列分類のためのスケーラブルな多スケール・多表現ネットワーク

要旨: 時系列分類（TSC）の性能は、アーキテクチャ設計だけでなく入力表現の多様性にも依存します。 本研究では、単変量時系列に対して構造化された複数表現入力を体系的に統合する、スケーラブルなマルチスケール畳み込みフレームワークを提案します。
私たちは2つのアーキテクチャを導入します。MSNetは頑健性と校正の最適化を目的とした階層的マルチスケール畳み込みネットワークで、LS-Netは効率志向のデプロイメントを想定した軽量版です。さらに、LiteMV -- 元々多変量入力のために開発されたものを、マルチ表現の単変量信号上で動作するように適用し、表現間の相互作用を可能にします。
統一された実験プロトコルの下で、142のベンチマークデータセット全体を評価します。クリティカル・ディファレンス分析は、トップモデル間で統計的に有意な性能差を確認します。結果は、LiteMVが最も高い平均精度を達成し、MSNetは優れた確率的校正（最小NLL）を提供し、LS-Netは最良の効率-精度のトレードオフを提供することを示しています。 Pareto分析は、マルチ表現マルチスケールモデリングが、精度重視、キャリブレーション重視、またはリソース制約設定に合わせて調整可能な柔軟な設計空間をもたらすことを示しています。
これらの知見は、現代のTSCにおける原理的で実践的な方向として、スケーラブルなマルチ表現マルチスケール学習を確立します。 MSNetとLS-Netのリファレンス実装は次のURLで入手可能です: https://github.com/alagoz/msnet-lsnet-tsc