摘要 时间序列分类（TSC）是多个领域中的关键任务，其性能在很大程度上依赖于输入表示的质量。在各种表示方法中，重现图（RP）有效地捕捉了拓扑重现，这是时间序列数据的独特属性。然而，传统的卷积神经网络（CNN）无法充分利用这一属性，因为它们将RP视作网格状数据。在本研究中，我们提出了RP-GCN，这是一种新颖的方法，利用图卷积网络（GCN）来挖掘RP中固有的拓扑重现，从而提高TSC性能。我们的方法将多元时间序列转换为图，其中状态矩阵作为节点特征矩阵，RP作为邻接矩阵，使图卷积能够利用重现关系。我们在35个基准多元时间序列分类数据集上评估了RP-GCN，并展示了其准确性优于现有方法且推理时间高效。
Kang et al. (Thu,) 研究了这个问题。