TimeMIL: Advancing Multivariate Time Series Classification via a Time-aware Multiple Instance Learning

深度神经网络，包括transformers和卷积神经网络，显著提高了多元时间序列分类（MTSC）的性能。然而，这些方法通常依赖于监督学习，不能充分考虑时间序列数据中模式的稀疏性和局部性（例如，ECG中与疾病相关的异常点）。为了解决这一挑战，我们正式将MTSC重新定义为弱监督问题，引入了一种新的多实例学习（MIL）框架，以更好地定位感兴趣的模式并对时间序列中的时间依赖关系进行建模。我们的新方法TimeMIL，通过一个专门的可学习小波位置标记，将时间感知的MIL汇聚形式化为时间相关性和排序，利用了一个基于标记的transformer。所提出的方法超越了26种最新的最先进方法，突显了弱监督TimeMIL在MTSC中的有效性。

论文旨在解决多变量时间序列分类中监督学习方法无法充分考虑时间序列数据中稀疏性和局部性的问题，提出了一种弱监督多实例学习框架TimeMIL来更好地定位感兴趣的模式并建模时间序列内部的时间依赖关系。

TimeMIL将多实例学习和时间序列建模相结合，引入了一种时间感知的MIL池化方法，利用带有可学习小波位置标记的标记化Transformer来建模时间序列内部的时间依赖关系。

TimeMIL在多变量时间序列分类方面表现出色，超过了26种最先进方法，证明了弱监督TimeMIL在MTSC中的有效性。论文使用了多个数据集进行实验，并提供了开源代码。

最近的相关研究包括：'A Survey on Deep Learning for Multivariate Time Series Forecasting'、'Multivariate Time Series Classification with Graph Convolutional Networks'、'Attention-Based Deep Multiple Instance Learning for Medical Image Classification'等。