用于不平衡时间序列量化的类条件高斯混合建模

arXiv:2608.21473v1 公告类型：新 摘要：在聚合统计比单个实例标签更重要的领域（例如生物信号监测、跌倒检测和活动识别）中，量化、估计未标记实例的类流行率至关重要。我们在不平衡时间序列数据的挑战性环境中研究了这个问题，并开发了 CC-GMNet-TS，这是一种类条件高斯混合量化器，它将基于 Transformer 的特征提取器与每类潜在混合相结合。与之前基于混合的量词（使用所有类共享的单个高斯混合）不同，CC-GMNet-TS 在有界潜在空间中为每个类分配自己的紧凑混合，并针对这些特定于类的组件对分段嵌入进行评分，以创建强调罕见但信息丰富的模式的袋级表示。袋子是使用人工患病率协议 (APP) 和先前班次袋抽样 (PShift) 从标记池构建的，以覆盖广泛的类别患病率场景，并且该模型通过面向量化的损失进行端到端训练。对三个基准的实验：手势 EMG 数据、SmartFallMM 和 UCI-HAR 表明，与传统聚合器和最近的深度量化器相比，CC-GMNet-TS 在三个基准上实现了更低的误差，而消融则证实了 Transformer 主干和类条件混合在 PShift 期间的贡献。