論文の概要: Interpretable Time Series Classification using Linear Models and
Multi-resolution Multi-domain Symbolic Representations
- arxiv url: http://arxiv.org/abs/2006.01667v1
- Date: Sun, 31 May 2020 15:32:08 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-26 12:42:28.110989
- Title: Interpretable Time Series Classification using Linear Models and
Multi-resolution Multi-domain Symbolic Representations
- Title（参考訳）: 線形モデルとマルチレゾリューション多領域記号表現を用いた解釈可能な時系列分類
- Authors: Thach Le Nguyen and Severin Gsponer and Iulia Ilie and Martin O'Reilly
and Georgiana Ifrim
- Abstract要約: 我々は,現在のアプローチにおけるギャップに対処する新しい時系列分類アルゴリズムを提案する。
提案手法は,時系列の記号表現,効率的なシーケンスマイニングアルゴリズム,線形分類モデルに基づく。
我々のモデルは深層学習モデルと同じくらい正確だが、実行時間やメモリに関してより効率的であり、可変長の時系列を扱うことができ、元の時系列における識別的象徴的特徴を強調することで解釈できる。
- 参考スコア（独自算出の注目度）: 6.6147550436077776
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The time series classification literature has expanded rapidly over the last
decade, with many new classification approaches published each year. Prior
research has mostly focused on improving the accuracy and efficiency of
classifiers, with interpretability being somewhat neglected. This aspect of
classifiers has become critical for many application domains and the
introduction of the EU GDPR legislation in 2018 is likely to further emphasize
the importance of interpretable learning algorithms. Currently,
state-of-the-art classification accuracy is achieved with very complex models
based on large ensembles (COTE) or deep neural networks (FCN). These approaches
are not efficient with regard to either time or space, are difficult to
interpret and cannot be applied to variable-length time series, requiring
pre-processing of the original series to a set fixed-length. In this paper we
propose new time series classification algorithms to address these gaps. Our
approach is based on symbolic representations of time series, efficient
sequence mining algorithms and linear classification models. Our linear models
are as accurate as deep learning models but are more efficient regarding
running time and memory, can work with variable-length time series and can be
interpreted by highlighting the discriminative symbolic features on the
original time series. We show that our multi-resolution multi-domain linear
classifier (mtSS-SEQL+LR) achieves a similar accuracy to the state-of-the-art
COTE ensemble, and to recent deep learning methods (FCN, ResNet), but uses a
fraction of the time and memory required by either COTE or deep models. To
further analyse the interpretability of our classifier, we present a case study
on a human motion dataset collected by the authors. We release all the results,
source code and data to encourage reproducibility.
- Abstract（参考訳）: 時系列分類文学は過去10年間で急速に拡大し、毎年多くの新しい分類アプローチが公表されている。
以前の研究は主に分類器の精度と効率の改善に重点を置いており、解釈性は幾分無視されている。
分類器のこの側面は、多くのアプリケーションドメインにとって重要になり、2018年のEU GDPR法の導入は、解釈可能な学習アルゴリズムの重要性をさらに強調する可能性が高い。
現在、最先端の分類精度は、大きなアンサンブル(COTE)またはディープニューラルネットワーク(FCN)に基づいた非常に複雑なモデルで達成されている。
これらのアプローチは時間や空間のどちらに関しても効率的ではなく、解釈が難しく、可変長時系列に適用できないため、元のシリーズをセットされた固定長に前処理する必要がある。
本稿では,これらのギャップに対処する新しい時系列分類アルゴリズムを提案する。
本手法は,時系列の記号表現,効率的なシーケンスマイニングアルゴリズム,線形分類モデルに基づく。
我々の線形モデルはディープラーニングモデルと同じくらい正確であるが、実行時間やメモリに関してより効率的であり、可変長の時系列を扱うことができ、元の時系列における識別的象徴的特徴を強調することで解釈できる。
マルチレゾリューション・マルチドメイン線形分類器(mtSS-SEQL+LR)は,最先端のCOTEアンサンブルや最近の深層学習手法(FCN, ResNet)と同様の精度で,COTEや深層モデルで必要とされる時間とメモリのごく一部を使用することを示す。
この分類器の解釈可能性をさらに分析するために,著者らが収集した人間の動作データセットを事例として検討する。
再現性を促進するために、すべての結果、ソースコード、データをリリースします。
関連論文リスト
- TimeSiam: A Pre-Training Framework for Siamese Time-Series Modeling [67.02157180089573]
時系列事前トレーニングは、最近、ラベルのコストを削減し、下流の様々なタスクに利益をもたらす可能性があるとして、広く注目を集めている。
本稿では,シームズネットワークに基づく時系列の簡易かつ効果的な自己教師型事前学習フレームワークとしてTimeSiamを提案する。
論文 参考訳（メタデータ） (2024-02-04T13:10:51Z) - TACTiS-2: Better, Faster, Simpler Attentional Copulas for Multivariate Time Series [57.4208255711412]
パウラ理論に基づいて,最近導入されたトランスフォーマーに基づく注目パウラ(TACTiS)の簡易な目的を提案する。
結果から,実世界の予測タスクにまたがって,このモデルのトレーニング性能が大幅に向上し,最先端のパフォーマンスが達成できることが示唆された。
論文 参考訳（メタデータ） (2023-10-02T16:45:19Z) - Back to Basics: A Sanity Check on Modern Time Series Classification
Algorithms [5.225544155289783]
新たな分類器の急激な開発では、ステップバックして単純なベースラインチェックを実行することが不可欠である。
これらのチェックは、しばしば見過ごされる。研究者たちは、新しい最先端の結果を確立し、スケーラブルなアルゴリズムを開発し、モデルを説明可能にすることに注力している。
論文 参考訳（メタデータ） (2023-08-15T17:23:18Z) - TimeMAE: Self-Supervised Representations of Time Series with Decoupled
Masked Autoencoders [55.00904795497786]
トランスフォーマネットワークに基づく転送可能な時系列表現を学習するための,新しい自己教師型パラダイムであるTimeMAEを提案する。
TimeMAEは双方向符号化方式を用いて時系列の豊富な文脈表現を学習する。
新たに挿入されたマスク埋め込みによって生じる不一致を解消するため、分離されたオートエンコーダアーキテクチャを設計する。
論文 参考訳（メタデータ） (2023-03-01T08:33:16Z) - HyperTime: Implicit Neural Representation for Time Series [131.57172578210256]
暗黙の神経表現(INR)は、データの正確で解像度に依存しないエンコーディングを提供する強力なツールとして最近登場した。
本稿では、INRを用いて時系列の表現を分析し、再構成精度とトレーニング収束速度の点で異なるアクティベーション関数を比較した。
本稿では,INRを利用して時系列データセット全体の圧縮潜在表現を学習するハイパーネットワークアーキテクチャを提案する。
論文 参考訳（メタデータ） (2022-08-11T14:05:51Z) - Deep Generative model with Hierarchical Latent Factors for Time Series
Anomaly Detection [40.21502451136054]
本研究は、時系列異常検出のための新しい生成モデルであるDGHLを提示する。
トップダウンの畳み込みネットワークは、新しい階層的な潜在空間を時系列ウィンドウにマッピングし、時間ダイナミクスを利用して情報を効率的にエンコードする。
提案手法は,4つのベンチマーク・データセットにおいて,現在の最先端モデルよりも優れていた。
論文 参考訳（メタデータ） (2022-02-15T17:19:44Z) - Robust Augmentation for Multivariate Time Series Classification [20.38907456958682]
カットアウト,カットミックス,ミックスアップ,ウィンドウワープの簡単な方法により,堅牢性と全体的な性能が向上することを示す。
InceptionTimeネットワークは18種類のデータセットで精度を1%から45%向上することを示す。
論文 参考訳（メタデータ） (2022-01-27T18:57:49Z) - Mimic: An adaptive algorithm for multivariate time series classification [11.49627617337276]
時系列データは価値があるが、しばしば調査できない。
金融、医療、その他の重要なアプリケーションのための時系列分類器の信頼を得ることは、解釈可能なモデルの作成に依存するかもしれない。
本研究では,解釈可能性を導入しながら,最強分類器の予測精度を維持する新しいMimicアルゴリズムを提案する。
論文 参考訳（メタデータ） (2021-11-08T04:47:31Z) - Novel Features for Time Series Analysis: A Complex Networks Approach [62.997667081978825]
時系列データは、気候、経済、医療などいくつかの領域で広く使われている。
最近の概念的アプローチは、複雑なネットワークへの時系列マッピングに依存している。
ネットワーク分析は、異なるタイプの時系列を特徴付けるのに使うことができる。
論文 参考訳（メタデータ） (2021-10-11T13:46:28Z) - Improving Calibration for Long-Tailed Recognition [68.32848696795519]
このようなシナリオにおけるキャリブレーションとパフォーマンスを改善する2つの方法を提案します。
異なるサンプルによるデータセットバイアスに対して,シフトバッチ正規化を提案する。
提案手法は,複数の長尾認識ベンチマークデータセットに新しいレコードをセットする。
論文 参考訳（メタデータ） (2021-04-01T13:55:21Z) - Multi-Time Attention Networks for Irregularly Sampled Time Series [18.224344440110862]
不規則サンプリングは多くの時系列モデリングアプリケーションで発生する。
我々は,この設定のための新しいディープラーニングフレームワークを提案し,これをマルチ時間注意ネットワークと呼ぶ。
その結果,我々のアプローチは,ベースラインや最近提案されたモデルと同等かそれ以上の性能を示すことができた。
論文 参考訳（メタデータ） (2021-01-25T18:57:42Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。