論文の概要: The Canonical Interval Forest (CIF) Classifier for Time Series Classification

• arxiv url: http://arxiv.org/abs/2008.09172v1
• Date: Thu, 20 Aug 2020 19:26:24 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-27 04:18:11.724077
• Title: The Canonical Interval Forest (CIF) Classifier for Time Series Classification
• Title（参考訳）: 時系列分類のためのCanonical Interval Forest (CIF)分類器
• Authors: Matthew Middlehurst, James Large, Anthony Bagnall
• Abstract要約: 時系列フォレスト(TSF)は最もよく知られたインターバル法の一つである。 我々は、TSFとCatch22を組み合わせた新しい分類器、Canonical Interval Forest (CIF)を提案する。 我々は,TSFとCatch22の精度を大幅に向上させ,他のアルゴリズムクラスのトップパフォーマーと同等であることを示す。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Time series classification (TSC) is home to a number of algorithm groups that utilise different kinds of discriminatory patterns. One of these groups describes classifiers that predict using phase dependant intervals. The time series forest (TSF) classifier is one of the most well known interval methods, and has demonstrated strong performance as well as relative speed in training and predictions. However, recent advances in other approaches have left TSF behind. TSF originally summarises intervals using three simple summary statistics. The `catch22' feature set of 22 time series features was recently proposed to aid time series analysis through a concise set of diverse and informative descriptive characteristics. We propose combining TSF and catch22 to form a new classifier, the Canonical Interval Forest (CIF). We outline additional enhancements to the training procedure, and extend the classifier to include multivariate classification capabilities. We demonstrate a large and significant improvement in accuracy over both TSF and catch22, and show it to be on par with top performers from other algorithmic classes. By upgrading the interval-based component from TSF to CIF, we also demonstrate a significant improvement in the hierarchical vote collective of transformation-based ensembles (HIVE-COTE) that combines different time series representations. HIVE-COTE using CIF is significantly more accurate on the UCR archive than any other classifier we are aware of and represents a new state of the art for TSC.
• Abstract（参考訳）: 時系列分類(TSC)は、様々な種類の識別パターンを利用するアルゴリズムグループの本拠地である。 これらのグループの1つは、位相依存間隔を用いて予測する分類器を記述する。 時系列フォレスト(tsf)分類器は最もよく知られたインターバル手法の1つであり、訓練と予測の相対速度だけでなく、高い性能を示している。 しかし、他のアプローチの最近の進歩は、TSFを置き去りにした。 TSFはもともと3つの単純な要約統計を用いて間隔を和らげる。 22の時系列特徴からなる 'catch22' 特徴集合は、多様かつ情報的な記述特性の簡潔なセットを通して時系列解析を支援するために最近提案された。 我々は、TSFとCatch22を組み合わせて新しい分類器、Canonical Interval Forest(CIF)を提案する。 我々は,訓練手順のさらなる拡張を概説し,分類器を多変量分類機能を含むように拡張する。 我々は,tsfとcatch22に対する精度の大幅な向上を実証し,他のアルゴリズムクラスの上位パフォーマーと同等であることを示した。 TSFからCIFへのインターバルベースコンポーネントのアップグレードにより、異なる時系列表現を組み合わせた変換ベースアンサンブル(HIVE-COTE)の階層的な投票集合が大幅に改善されたことを示す。 CIFを用いたHIVE-COTEは、私たちが認識している他のどの分類器よりもUCRアーカイブの方がはるかに正確であり、TSCの新たな最先端技術を表している。

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)
• Enhancing Multivariate Time Series Classifiers through Self-Attention and Relative Positioning Infusion [4.18804572788063]
  時系列分類(TSC)は、多くのビジュアルコンピューティングアプリケーションにとって重要かつ困難な課題である。 本稿では,深層学習に基づくTSCアプローチを強化する2つの新しいアテンションブロックを提案する。 提案するアテンションブロックを追加することで,ベースモデルの平均精度が最大3.6%向上することを示す。
  論文  参考訳（メタデータ） (2023-02-13T20:50:34Z)
• COSTI: a New Classifier for Sequences of Temporal Intervals [0.0]
  時間間隔のシーケンスを直接操作する新しい分類法を開発した。 提案手法は高い精度を保ち、変換データの操作に接続する欠点を回避しつつ、より良い性能が得られる。
  論文  参考訳（メタデータ） (2022-04-28T12:55:06Z)
• The FreshPRINCE: A Simple Transformation Based Pipeline Time Series Classifier [0.0]
  我々は、最先端と見なされるアルゴリズムの複雑さが本当に必要かどうかを考察する。 最初に提案されたアプローチは、要約統計やその他の時系列特徴抽出アプローチの単純なパイプラインである。 我々はこれらの手法をUCC時系列データセットアーカイブ上でテストし、TSC文献がこれらの手法の有効性を見落としているかどうかを確認する。
  論文  参考訳（メタデータ） (2022-01-28T11:23:58Z)
• Towards Similarity-Aware Time-Series Classification [51.2400839966489]
  時系列データマイニングの基本課題である時系列分類(TSC)について検討する。 グラフニューラルネットワーク(GNN)を用いて類似情報をモデル化するフレームワークであるSimTSCを提案する。
  論文  参考訳（メタデータ） (2022-01-05T02:14:57Z)
• CIM: Class-Irrelevant Mapping for Few-Shot Classification [58.02773394658623]
  FSC(Few-shot Classification)は近年のホットな問題の一つである。 事前訓練されたFEMを評価する方法は、FSCコミュニティにおいて最も重要な焦点である。 CIM(Class-Irrelevant Mapping)と呼ばれるシンプルなフレキシブルな手法を提案する。
  論文  参考訳（メタデータ） (2021-09-07T03:26:24Z)
• Fast, Accurate and Interpretable Time Series Classification Through Randomization [20.638480955703102]
  時系列分類(TSC)は、与えられた時系列のクラスラベルを予測することを目的としている。 我々は、ランダム化された時系列フォレスト(r-STSF)という新しいTSC手法を提案する。 r-STSFは非常に効率的で、最先端の分類精度を実現し、解釈性を実現している。
  論文  参考訳（メタデータ） (2021-05-31T10:59:11Z)
• 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)
• Classification of multivariate weakly-labelled time-series with attention [0.0]
  弱いラベル付き時系列は、ノイズと重大な冗長性を含む時系列である。 本稿では,サブシーケンスの文脈関連を活用し,分類精度を向上させる手法を提案する。
  論文  参考訳（メタデータ） (2021-02-16T16:05:38Z)
• Binary Classification from Multiple Unlabeled Datasets via Surrogate Set Classification [94.55805516167369]
  我々は m 個の U 集合を $mge2$ で二進分類する新しい手法を提案する。 我々のキーとなる考え方は、サロゲート集合分類(SSC)と呼ばれる補助的分類タスクを考えることである。
  論文  参考訳（メタデータ） (2021-02-01T07:36:38Z)
• Benchmarking Multivariate Time Series Classification Algorithms [69.12151492736524]
  時系列分類(TSC)は、順序付き、実値付き、属性から離散的なターゲット変数の予測モデルを構築することを含む。 近年,従来の技術よりも大幅に改良された新しいTSCアルゴリズムが開発されている。 本稿では, 深層学習, シェープレット, 単語の袋を用いた MTSC アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-07-26T15:56:40Z)

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。