論文の概要: When is Early Classification of Time Series Meaningful?

• arxiv url: http://arxiv.org/abs/2102.11487v1
• Date: Tue, 23 Feb 2021 04:42:05 GMT
• ステータス: 処理完了
• システム内更新日: 2021-02-24 13:55:40.358815
• Title: When is Early Classification of Time Series Meaningful?
• Title（参考訳）: 時系列の早期分類はいつ意味しますか?
• Authors: Renjie Wu, Audrey Der, Eamonn J. Keogh
• Abstract要約: ターゲットパターンのプレフィックスのみを見て、十分な精度と信頼性で時系列サブシーケンスを分類できるかどうかを尋ねます。 より初期の分類は、いくつかの実践的な介入が可能なドメインにおいて、直ちに行動を起こすことができる、という考え方です。 時系列の初期の分類に関する数十の論文があるという事実にもかかわらず、それらのいずれかが現実世界の環境で機能することは明らかではありません。
• 参考スコア（独自算出の注目度）: 11.234740889286215
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Since its introduction two decades ago, there has been increasing interest in the problem of early classification of time series. This problem generalizes classic time series classification to ask if we can classify a time series subsequence with sufficient accuracy and confidence after seeing only some prefix of a target pattern. The idea is that the earlier classification would allow us to take immediate action, in a domain in which some practical interventions are possible. For example, that intervention might be sounding an alarm or applying the brakes in an automobile. In this work, we make a surprising claim. In spite of the fact that there are dozens of papers on early classification of time series, it is not clear that any of them could ever work in a real-world setting. The problem is not with the algorithms per se but with the vague and underspecified problem description. Essentially all algorithms make implicit and unwarranted assumptions about the problem that will ensure that they will be plagued by false positives and false negatives even if their results suggested that they could obtain near-perfect results. We will explain our findings with novel insights and experiments and offer recommendations to the community.
• Abstract（参考訳）: 20年前に導入されて以来、時系列の早期分類の問題への関心が高まっています。 この問題は、古典的な時系列分類を一般化し、ターゲットパターンのプレフィックスのみを見て、十分な精度と信頼性で時系列サブシーケンスを分類できるかどうかを尋ねる。 より初期の分類は、いくつかの実践的な介入が可能なドメインにおいて、直ちに行動を起こすことができる、という考え方です。 例えば、その介入はアラームを鳴らしたり、自動車のブレーキをかけたりします。 この仕事では、私たちは驚くべき主張をします。 時系列の初期の分類に関する数十の論文があるという事実にもかかわらず、それらのいずれかが現実世界の環境で機能することは明らかではありません。 問題はアルゴリズムそのものではなく、曖昧で不特定な問題記述にある。 本質的にすべてのアルゴリズムは、たとえ結果がほぼ完全な結果が得られると示唆しても、偽陽性と偽陰性に悩まされることを確実にする問題に関して暗黙的かつ不当な仮定をする。 新たな洞察と実験でその結果を説明し、コミュニティに推奨します。

関連論文リスト

• Regularization-Based Methods for Ordinal Quantification [49.606912965922504]
  順序の場合、すなわち n>2 クラスの集合上で全順序が定義される場合について研究する。 本稿では,従来のアルゴリズムよりも優れた正規化OQアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-10-13T16:04:06Z)
• CARLA: Self-supervised Contrastive Representation Learning for Time Series Anomaly Detection [53.83593870825628]
  時系列異常検出(TSAD)の主な課題は、多くの実生活シナリオにおいてラベル付きデータの欠如である。 既存の異常検出手法の多くは、教師なしの方法で非ラベル時系列の正常な振る舞いを学習することに焦点を当てている。 本稿では,時系列異常検出のためのエンドツーエンドの自己教師型コントラアスティブ表現学習手法を提案する。
  論文  参考訳（メタデータ） (2023-08-18T04:45:56Z)
• Early Classifying Multimodal Sequences [86.80932013694684]
  決定の確実性を待ったままの取引は、初期の分類問題につながる。 提案手法は,実験的なAUCの利点を最大8.7%向上させることを示した。
  論文  参考訳（メタデータ） (2023-05-02T01:57:34Z)
• A Policy for Early Sequence Classification [86.80932013694684]
  最後の要素を待たずにできるだけ早くシーケンスを分類する新しい方法を提案する。 複数の実験に対して平均AUCは11.8%増加した。
  論文  参考訳（メタデータ） (2023-04-07T03:38:54Z)
• Stop&Hop: Early Classification of Irregular Time Series [16.84487620364245]
  我々は、より現実的な問題への扉を開く早期分類器のための新しい設定である不規則時系列の早期分類について研究する。 私たちのソリューションであるStop&Hopは、継続する不規則な時系列をリアルタイムにモデル化するために、連続時間リカレントネットワークを使用します。 我々は、Stop&Hopが新しい問題に適応した最先端の代替案よりも早く、より正確な予測を一貫して行うことを実証した。
  論文  参考訳（メタデータ） (2022-08-21T03:41:19Z)
• Incentivizing Combinatorial Bandit Exploration [87.08827496301839]
  自己関心のあるユーザに対してレコメンデーションシステムでアクションを推奨するバンディットアルゴリズムを考える。 ユーザーは他のアクションを自由に選択でき、アルゴリズムの推奨に従うためにインセンティブを得る必要がある。 ユーザは悪用を好むが、アルゴリズムは、前のユーザから収集した情報を活用することで、探索にインセンティブを与えることができる。
  論文  参考訳（メタデータ） (2022-06-01T13:46:25Z)
• ECOTS: Early Classification in Open Time Series [0.0]
  オープンタイムシリーズの早期分類(ECOTS)にどのような手法を適応させるかを示す。 ECOTSシナリオのための2つの最先端アルゴリズムを変換し、予測保守のための実際のデータセットに関する数値実験を報告する。
  論文  参考訳（メタデータ） (2022-04-01T12:34:26Z)
• Early Classification of Time Series is Meaningful [0.028675177318965035]
  我々は、プレプリントの著者によって提起された主な問題と誤解に詳細に答えます。 時系列の早期分類の応用分野をさらに広げる方向性を提案します。
  論文  参考訳（メタデータ） (2021-04-27T15:16:21Z)
• Instance-based Counterfactual Explanations for Time Series Classification [11.215352918313577]
  我々は,時系列分類器の対実的説明を生成する新しいモデルに依存しないケースベース手法を推し進める。 我々は、Native Guideが、主要なベンチマークカウンターファクト法により生成されたものよりも優れた、可塑性、近さ、スパース、多彩な説明を生成することを示す。
  論文  参考訳（メタデータ） (2020-09-28T10:52:48Z)
• Ambiguity in Sequential Data: Predicting Uncertain Futures with Recurrent Models [110.82452096672182]
  逐次データによる曖昧な予測を扱うために,Multiple hypothesis Prediction(MHP)モデルの拡張を提案する。 また、不確実性を考慮するのに適した曖昧な問題に対する新しい尺度も導入する。
  論文  参考訳（メタデータ） (2020-03-10T09:15:42Z)
• Complexity Measures and Features for Times Series classification [0.0]
  本稿では,時系列分類問題に対する時系列構造に関する情報を抽出できる特徴セットを提案する。 提案手法の実験結果から, 最先端モデルの2次モデルと3次モデルとに統計的に有意な差は認められなかった。
  論文  参考訳（メタデータ） (2020-02-27T11:08:08Z)

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。