Causal and Local Correlations Based Network for Multivariate Time Series Classification
基于因果与局部相关性的多元时间序列分类网络AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要研究通用时间序列分类网络，未涉及宏观经济序列或经济主体间干扰，不足以对应所列经济领域细分。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
基于因果与局部相关性的多元时间序列分类网络
- 研究问题
- 如何在多元时间序列分类中同时利用维度间的空间关联和特征间的局部关联，以提取更有效的分类信息？
- 方法与思路
- 作者先通过因果建模获得维度关系图，再提取并融合局部关联形成长期依赖特征，最后将二者输入图神经网络。
- 材料陈述的贡献
- 摘要称所提出的 CaLoNet 在 UEA 数据集上取得具有竞争力的分类表现，但没有给出具体指标或改善幅度。
- 阅读关注点
- 应核对关系图所用因果方法、局部与长期特征的构造、数据划分及消融实验，并区分预测关联与因果识别。
- 阅读边界
- 所给版本为 arXiv 预印本，同行评审及接收未核实；摘要未说明因果假设，分类表现也不能验证所学图的因果真实性。
原文摘要
Recently, time series classification has attracted the attention of a large number of researchers, and hundreds of methods have been proposed. However, these methods often ignore the spatial correlations among dimensions and the local correlations among features. To address this issue, the causal and local correlations based network (CaLoNet) is proposed in this study for multivariate time series classification. First, pairwise spatial correlations between dimensions are modeled using causality modeling to obtain the graph structure. Then, a relationship extraction network is used to fuse local correlations to obtain long-term dependency features. Finally, the graph structure and long-term dependency features are integrated into the graph neural network. Experiments on the UEA datasets show that CaLoNet can obtain competitive performance compared with state-of-the-art methods.