本文来源公众号“kaggle竞赛宝典”，仅用于学术分享，侵权删，干货满满。
原文链接：最新时间序列统一大模型，秒杀各类时序任务
作者：Fareise
最新时间序列统一大模型UniTS，秒杀各类时序任务！
今天给大家介绍一下哈佛和MIT最近联合发表的最新时间序列大模型工作，构建了一个统一的时间序列模型，能够处理各类时间序列任务，在38种不同的时间序列任务中，有27个都取得了最优效果。
论文标题：UniTS: Building a Unified Time Series Model
下载地址：https://arxiv.org/pdf/2403.00131v1.pdf
1 时间序列统一建模挑战
时间序列统一建模包括很多挑战，主要有数据差异和任务差异2个方面。
- 数据差异：不同于NLP、CV等数据，不同领域的数据遵循相同的规律，时间序列数据在不同领域可能存在很大的差别，包括时序上的规律、周期性等等，异构的多源数据联合建模难度较大，并且不同类型数据的序列长度、变量数量也不一样，给统一建模带来很大难度；
- 任务差异：时间序列包括分类、预测、填充、异常检测等多种类型的任务，而每种任务的目标差异很大，比如回归任务和分类任务的差异，预测和填充的差异等等，如何让一个模型能适配多种类型任务是一个难题。
为了解决上述问题，搭建统一时间序列模型，本文提出了UniTS方法。核心是通过prompt的方式将各类任务进行统一，并通过时间维度和变量维度self-attention搭建对输入数据格式不敏感的统一模型，能够处理不同的数据类型。
2 统一序列输入
UniTS中为了统一各种类型的任务，实现一个模型统一处理，将原始的时间序列数据转换成了3种类型的token，分别是sequence token、prompt token、task token。
- Sequence Token：sequence token对应原始的时间序列，使用不重叠的窗口将原始序列划分成patch，每个patch通过MLP映射，得到sequence token的embedding；
- Prompt Token：prompt token类似于NLP中的soft prompt思路，生成几个可学习的prompt embedding，拼接到上述sequence token，主要用来根据任务特性来吸收序列中的上下文信息，每个任务有其特征的prompt embedding，这样对于同一条数据，针对不同的任务的prompt不同，对应的提取上下文的信息也不同；
- Task Token：task token用于实现不同任务的统一，包括mask token和cls token，前者用来统一时间序列预测、时间序列填充，mask的部分生成的结果是预测结果，cls token用来做时间序列分类相关的任务。
3 统一模型结构
下面介绍UniTS的统一模型结构，主要包括序列和变量维度的attention、卷积、Gate、DyLinear三个部分。
- 序列和变量维度的attention：时间序列使用patch序列的self-attention实现，变量维度会将时间维度attention中的Query和Key做pooling后，做一个变量维度整体的self-attention；
- 卷积网络：对于输入的序列，使用一个3维卷积提取局部信息；
- Gate网络：由于不同数据集的分布差异，文中使用一个gate网络对输入特征做场景个性化缩放，使用上一层输入过一个sigmoid生成缩放因子，乘到本层输出中；
- Dynamic MLP：由于不同数据输入的长度不一样，传统的attention后面接的MLP网络输入长度不一样，MLP的权重尺寸会变化。为了解决这个问题，文中采用了DyLinear，其思路是对原始的MLP权重，根据输入向量长度的大小做双线性插值，生成和输入维度匹配的MLP权重；
4 模型训练
训练包括预训练阶段和finetune阶段。在预训练阶段，采用的是reconstruction任务，对时间序列的数据进行部分mask，然后进行还原；在finetune阶段，随机采样各类任务的数据进行多任务联合finetune，分类任务使用交叉熵损失，预测任务使用MSE。
5 实验结果
文中在各类数据集上进行了实验，使用统一模型的效果对比各个任务上的SOTA模型，以及GPT4TS等其他类型的统一模型效果，在38个任务上有27个任务都取得了最优效果。
THE END!
文章结束，感谢阅读。您的点赞，收藏，评论是我继续更新的动力。大家有推荐的公众号可以评论区留言，共同学习，一起进步。
