Towards Diverse Perspective Learning with Selection over Multiple Temporal Poolings

在时间序列分类（TSC）中，已经提出了考虑连续信息的时间汇聚方法。然而，我们发现每个时间汇聚都有不同的机制，并且根据时间序列数据的不同，表现可能更好或更差。我们将这种固定汇聚机制称为时间汇聚的单一视角。在本文中，我们提出了一种新的时间汇聚方法，即多视角学习的选择多个时间汇聚（SoM-TP）。SoM-TP通过注意力动态选择最佳的时间汇聚方法来处理每个数据。动态汇聚选择的灵感来自于多选学习（MCL）的集成概念，后者从多个输出中选择最佳输出。SoM-TP的注意力汇聚选择在单个分类器内实现了非迭代汇聚集成。此外，我们定义了一种透视损失和多样化透视学习网络（DPLN）。该损失作为一个正则化器，反映了DPLN中所有汇聚视角。我们使用层次相关传播（LRP）进行透视分析，揭示了单一视角的局限性，并最终证明了SoM-TP的多视角学习。我们还展示了SoM-TP在广泛的UCR/UEA数据集中优于基于其他时间汇聚的CNN模型和最先进的TSC模型。

本论文旨在解决时间序列分类中的固定池化机制的问题，并提出了一种新的多角度学习的时间池化方法（SoM-TP），通过动态选择最优池化方法来提高分类性能。

SoM-TP通过注意力机制动态选择最优的池化方法，实现了单个分类器内的多池化集成，同时引入了多选学习的思想，并定义了多角度学习网络（DPLN）和角度损失，以反映所有角度的池化方法。

论文使用了UCR/UEA数据集进行了广泛的实验，证明了SoM-TP在时间序列分类任务中的优越性。此外，通过使用LRP进行角度分析，揭示了单一角度的局限性，并证明了SoM-TP的多角度学习的优势。

在时间序列分类领域，已经有一些池化方法被提出，如MPL、TDE、TDP等。此外，还有一些使用注意力机制的方法，如TATT、TAL等。