本文中提出的MTSC模型，采用注意力原型网络，充分利用了传统和基于深度学习的方法的优势。具体来说，这里设计了一种随机分组置换方法，结合多层卷积神经网络，从多变量时间序列数据中学习低维特征。为了解决训练标签有限的问题，注意力原型网络基于其与不足数据标签的类别原型的距离来训练特征表示。此外还通过利用未标记数据将模型扩展到半监督设置中。在公开的多变量时间序列UEA中的18个数据集上与八种最先进的基准方法

本文提出了一种新的时间动态图神经网络（TodyNet），可以在没有预定义图结构的情况下提取隐藏的时空依赖关系。它使得信息能够在孤立但隐式相互依赖的变量之间流动，并通过动态图机制捕捉不同时间段之间的关联，进一步提高了模型的分类性能。与此同时，由于图神经网络（GNNs）的限制，无法学习图的分层表示。因此，我们还设计了一个时间图池化层，以获取具有可学习时间参数的全局图级表示，用于图的学习。动态图、图信息

通过学生认证免费使用pycharm专业版