Kernel-Shapelets:基于卷积网络的特征子序列学习方法

在时序分类领域中,基于特征子序列的方法因能给出个体分类的局部依据,从而具有较强的可解释性,但计算十分耗时,且分类表现相较于深度学习方法并不占优.深度学习方法虽在分类表现上优于其他方法,但缺乏可解释性.为了提高基于特征子序列方法的分类表现,增强深度学习方法的可解释性,提出基于CNN网络提取特征子序列的方法Kernel-Shapelets.该方法通过提取CNN的卷积核对应权重并作进一步筛选,从而提取出特征子序列,利用全局最大池化层的输出找出CNN网络的判断依据,从而提高模型的可解释性.通过在UCR时序数据集上进行实验,Kernel-Shapelets方法的平均分类准确率为82％,相比基于特征子序列的最优基准模型提高了15.4％,证明了Kernel-Shapelets能够利用CNN网络的学习能力提取出更有效、更具有辨识性的特征子序列,提取出的特征子序列也提高了CNN网络的可解释性.