CNN disjointe pour la classification des séries temporelles multivariées

Les algorithmes de classification des séries temporelles ont été principalement dominés par des modèles non fondés sur l’apprentissage profond.L’apprentissage profond pour la classification des séries temporelles multivariées (MTSC) a suscité un intérêt croissant ces dernières années. La plupart des méthodes d’apprentissage profond les plus avancées reposent sur des réseaux convolutionnels, utilisant des convolutions à une dimension (1D) pour extraire des caractéristiques à partir de séries temporelles bidimensionnelles. Cette étude démontre que la factorisation des filtres de convolution 1D en composantes temporelles et spatiales disjointes permet d’obtenir des améliorations significatives de précision, avec un coût computationnel presque négligeable.À partir de notre analyse des filtres temporel-spatiaux disjoints, nous avons conçu un nouveau bloc de filtres appelé « 1+1D », qui met l’accent sur l’interaction entre les dimensions afin d’améliorer les performances des modèles de MTSC basés sur la convolution. Nous proposons également une nouvelle méthode efficace pour la MTSC, nommée Disjoint-CNN, fondée sur nos blocs de filtres 1+1D. À travers des expérimentations étendues, nous montrons que notre modèle (Disjoint-CNN) surpasse les méthodes d’état de l’art sur 26 jeux de données de l’archive UEA Multivariate Time Series, obtenant le meilleur rang moyen parmi 9 modèles benchmarks pour la MTSC.