تعزيز فئّات السلاسل الزمنية متعددة المتغيرات من خلال دمج الانتباه الذاتي والوضع النسبي

تصنيف السلاسل الزمنية (TSC) هو مهمة مهمة وصعبة في العديد من التطبيقات الحاسوبية البصرية. وعلى الرغم من الطيف الواسع من الأساليب التي تم تطويرها لتصنيف السلاسل الزمنية، إلا أن عددًا قليلاً منها استخدم الشبكات العصبية العميقة (DNNs). في هذا البحث، نقترح كتلتي انتباه جديدتين (الانتباه الزمني العالمي والانتباه الذاتي المُعزز بـPseudo-Gaussian الزمني) اللتين يمكن أن تُحسّنا من أداء النماذج القائمة على التعلم العميق في تصنيف السلاسل الزمنية، حتى عند تصميم هذه النماذج وتحسينها لبيانات أو مهام محددة. ونُثبت هذه المزاعم من خلال تقييم عدد من النماذج الحديثة القائمة على التعلم العميق في تصنيف السلاسل الزمنية على معيار جامعة إيست أنجليا (UEA)، وهو مجموعة معيارية تتكون من 30 مجموعة بيانات متعددة المتغيرات لتصنيف السلاسل الزمنية (MTSC). ونُظهر أن إضافة كتل الانتباه المقترحة تُحسّن دقة النماذج الأساسية بمتوسط يصل إلى 3.6%. علاوة على ذلك، تستخدم كتلة TPS (Temporal Pseudo-Gaussian) وحدة إدخال جديدة لدمج معلومات الموضع النسبي داخل نماذج المحولات (Transformers). وبكونها وحدة مستقلة ذات تعقيد حسابي أقل، تُمكّن TPS من الأداء أفضل من معظم الأساليب الحديثة القائمة على الشبكات العصبية العميقة في تصنيف السلاسل الزمنية. تم إتاحة الكود المصدري لبيئات التجارب والكتل الانتباه المقترحة للجمهور بشكل مفتوح.