[Information Sciences | 论文简读] DA-Net：用于多变量时间序列分类的双注意力网络

简读分享 | 尹成林 编辑 | 李仲深

论文题目

DA-Net: Dual-attention network for multivariate time series classification

摘要

多元时间序列分类是机器学习中越来越重要的问题之一。现有方法侧重于建立全局远程依赖关系或发现局部关键序列片段。然而，他们经常忽略来自全局和局部特征的组合信息。在本文中，作者提出了一种基于双重注意力的新型网络（称为 DA-Net），用于挖掘多元时间序列分类的局部-全局特征。具体来说，DA-Net 由两个不同的层组成，即 Squeeze-Excitation Window Attention (SEWA) 层和 Sparse Self-Attention in Windows (SSAW) 层。对于 SEWA 层，作者通过显式建立窗口依赖关系来对关键窗口进行优先级排序，从而捕获本地窗口信息。对于 SSAW 层，较少的计算量保留了丰富的激活分数，以扩大捕获全局远程依赖关系的窗口范围。基于这两个精心设计的层，DA-Net 可以在建立全局远程依赖关系的过程中挖掘关键的局部序列片段。实验结果表明，DA-Net 能够在多元时间序列分类上与最先进的方法实现最好的性能。

论文地址

https://www.sciencedirect.com/science/article/abs/pii/S0020025522008738