shapeformer 项目亮点解析

1. 项目基础介绍

ShapeFormer 是一个针对多变量时间序列分类（MTSC）的开源项目。MTSC 在现实世界的多个应用领域中具有重要价值。该项目通过引入一种新颖的 Shapelet Transformer（ShapeFormer）模型，实现了在MTSC任务上的卓越性能。ShapeFormer 结合了类特定特征和通用特征，通过两个专门的变压器模块来增强分类性能。

2. 项目代码目录及介绍

项目的主要代码目录结构如下：

• Dataset：包含用于训练和测试的数据集。
• Models：存放模型的代码，包括 Shapelet 模块和通用特征提取模块。
• Shapelet：实现了 Shapelet 发现和过滤的相关代码。
• img：可能包含项目相关的图像文件，如架构图等。
• store：可能用于存储训练过程中的一些中间结果。
• .gitattributes：定义如何处理不同类型的文件。
• DATASETNAME：可能包含了数据集名称信息的文件。
• LICENSE：项目使用的 MIT 许可证文件。
• README.md：项目说明文件。
• Training.py：可能是进行数据预处理和模型训练的脚本。
• cpu_main.py：可能是运行在 CPU 上的主程序脚本。
• main.py：项目的主程序脚本，负责模型训练和测试。
• requirements.txt：项目依赖的 Python 包列表。
• utils.py：包含项目通用工具函数的脚本。

3. 项目亮点功能拆解

ShapeFormer 的亮点功能主要在于其创新的两模块架构：

• 类特定模块：通过 Shapelet 发现方法，从训练集中提取每个类的辨别性子序列（即 Shapelet），并使用 Shapelet 过滤器学习输入时间序列与这些 Shapelet 之间的差异特征。
• 通用模块：使用卷积滤波器提取通用特征，这些特征有助于区分所有类别。

这两个模块通过变压器编码器来捕捉特征之间的相关性，从而提升了模型的分类性能。

4. 项目主要技术亮点拆解

ShapeFormer 的主要技术亮点包括：

• 创新的 Shapelet Transformer 架构，结合了类特定和通用特征的优点。
• Shapelet 发现和过滤方法的引入，有效地提取了类特定特征。
• 使用变压器编码器来捕捉特征之间的复杂关系，增强模型的表达能力。

5. 与同类项目对比的亮点

相比于其他同类项目，ShapeFormer 的亮点在于：

• 更好的分类性能：在 30 个 UEA MTSC 数据集上的实验结果表明，ShapeFormer 在准确性排名上超过了现有的先进方法。
• 对不平衡数据集和细节差异敏感的 datasets 的有效性：ShapeFormer 在处理这类数据时表现出色，这是其他方法所不具备的。
• 高度模块化的架构：使得模型更加灵活，易于扩展和维护。