ترجمه فارسی مقاله یک مدل سرتاسری برای طبقه‌بندی سری‌های زمانی در حضور مقادیر گمشده

چکیده

Time series classification with missing data is a prevalent issue in time series analysis, as temporal data often contain missing values in practical applications. The traditional two-stage approach, which handles imputation and classification separately, can result in sub-optimal performance as label information is not utilized in the imputation process. On the other hand, a one-stage approach can learn features under missing information, but feature representation is limited as imputed errors are propagated in the classification process. To overcome these challenges, this study proposes an end-to-end neural network that unifies data imputation and representation learning within a single framework, allowing the imputation process to take advantage of label information. Differing from previous methods, our approach places less emphasis on the accuracy of imputation data and instead prioritizes classification performance. A specifically designed multi-scale feature learning module is implemented to extract useful information from the noise-imputation data. The proposed model is evaluated on 68 univariate time series datasets from the UCR archive, as well as a multivariate time series dataset with various missing data ratios and 4 real-world datasets with missing information. The results indicate that the proposed model outperforms state-of-the-art approaches for incomplete time series classification, particularly in scenarios with high levels of missing data.

چکیده به فارسی (ترجمه ماشینی)

طبقه بندی سری زمانی با داده های گمشده یک مسئله رایج در تجزیه و تحلیل سری زمانی است ، زیرا داده های زمانی اغلب حاوی مقادیر گمشده در برنامه های عملی هستند.رویکرد دو مرحله ای سنتی ، که به طور جداگانه از بین می رود و طبقه بندی را به طور جداگانه انجام می دهد ، می تواند منجر به عملکرد زیر بهینه شود زیرا اطلاعات برچسب در فرآیند Imputation استفاده نمی شود.از طرف دیگر ، یک رویکرد یک مرحله ای می تواند ویژگی های موجود در زیر اطلاعات مفقود را بیاموزد ، اما نمایندگی از ویژگی ها محدود است زیرا خطاهای منتخب در فرآیند طبقه بندی پخش می شوند.برای غلبه بر این چالش ها ، این مطالعه یک شبکه عصبی نهایی به انتهایی را ارائه می دهد که در یک چارچوب واحد ، یادگیری داده ها و یادگیری بازنمایی را متحد می کند و به فرایند Imputate اجازه می دهد تا از اطلاعات برچسب استفاده کند.متفاوت از روش های قبلی ، رویکرد ما تأکید کمتری بر صحت داده های ضعف و در عوض عملکرد طبقه بندی را در اولویت قرار می دهد.یک ماژول یادگیری ویژگی چند مقیاس طراحی شده برای استخراج اطلاعات مفید از داده های imputation نویز اجرا شده است.مدل پیشنهادی در 68 مجموعه داده سری زمانی یک متغیره از بایگانی UCR ، و همچنین یک مجموعه داده سری چند متغیره با نسبت داده های مختلف از دست رفته و 4 مجموعه داده در دنیای واقعی با اطلاعات از دست رفته ارزیابی می شود.نتایج نشان می دهد که مدل پیشنهادی از رویکردهای پیشرفته برای طبقه بندی سری ناقص ، به ویژه در سناریوهایی با سطح بالای داده های گمشده ، بهتر است.