論文の概要: The Temporal Dictionary Ensemble (TDE) Classifier for Time Series Classification

• arxiv url: http://arxiv.org/abs/2105.03841v1
• Date: Sun, 9 May 2021 05:27:42 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-11 14:46:50.792915
• Title: The Temporal Dictionary Ensemble (TDE) Classifier for Time Series Classification
• Title（参考訳）: 時系列分類のための時間辞書アンサンブル(TDE)分類器
• Authors: Matthew Middlehurst, James Large, Gavin Cawley, Anthony Bagnall
• Abstract要約: 時間辞書アンサンブル(TDE)は他の辞書ベースアプローチよりも正確である。 HIVE-COTEは、現在の最高のディープラーニングアプローチよりもはるかに正確です。 この進歩は時系列の分類のための芸術の新しい状態を表します。
• 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: Using bag of words representations of time series is a popular approach to time series classification. These algorithms involve approximating and discretising windows over a series to form words, then forming a count of words over a given dictionary. Classifiers are constructed on the resulting histograms of word counts. A 2017 evaluation of a range of time series classifiers found the bag of symbolic-fourier approximation symbols (BOSS) ensemble the best of the dictionary based classifiers. It forms one of the components of hierarchical vote collective of transformation-based ensembles (HIVE-COTE), which represents the current state of the art. Since then, several new dictionary based algorithms have been proposed that are more accurate or more scalable (or both) than BOSS. We propose a further extension of these dictionary based classifiers that combines the best elements of the others combined with a novel approach to constructing ensemble members based on an adaptive Gaussian process model of the parameter space. We demonstrate that the temporal dictionary ensemble (TDE) is more accurate than other dictionary based approaches. Furthermore, unlike the other classifiers, if we replace BOSS in HIVE-COTE with TDE, HIVE-COTE is significantly more accurate. We also show this new version of HIVE-COTE is significantly more accurate than the current best deep learning approach, a recently proposed hybrid tree ensemble and a recently introduced competitive classifier making use of highly randomised convolutional kernels. This advance represents a new state of the art for time series classification.
• Abstract（参考訳）: 時系列の言葉表現の袋を使うことは、時系列分類の一般的なアプローチである。 これらのアルゴリズムは、一連のウィンドウを近似して識別して単語を生成し、与えられた辞書上で単語を数える。 単語数の結果のヒストグラムに基づいて分類器を構築する。 2017年の時系列分類器の評価では、記号-フーリエ近似記号 (BOSS) の袋が辞書ベースの分類器の最も良い部分であることがわかった。 これは、現在の芸術の状況を表す変換ベースのアンサンブル(hive-cote)の階層的な投票集合の構成要素の1つである。 それ以来、bossよりも正確でスケーラブル(あるいは両方)な辞書ベースのアルゴリズムがいくつか提案されている。 本稿では,パラメータ空間の適応ガウス過程モデルに基づくアンサンブル部材構築のための新しい手法と,他の要素の最良の要素を組み合わせた辞書に基づく分類器の拡張を提案する。 時間辞書アンサンブル(TDE)は他の辞書ベース手法よりも正確であることを示す。 さらに、他の分類器とは異なり、HIVE-COTEのBOSSをTDEに置き換える場合、HIVE-COTEの方がはるかに正確である。 また、このHIVE-COTEの新バージョンは、現在の最良のディープラーニングアプローチ、最近提案されたハイブリッドツリーアンサンブル、そして高度にランダム化された畳み込みカーネルを用いた競合型分類器よりもはるかに正確であることを示す。 この進歩は、時系列分類のための新しい最先端技術である。

関連論文リスト

• Towards Realistic Zero-Shot Classification via Self Structural Semantic Alignment [53.2701026843921]
  大規模事前訓練型視覚言語モデル(VLM)はゼロショット分類に有効であることが証明されている。 本稿では,アノテーションではなく,より広い語彙を前提とした,より難易度の高いゼロショット分類(Realistic Zero-Shot Classification)を提案する。 本稿では,ラベルのないデータから構造意味情報を抽出し,同時に自己学習を行う自己構造意味アライメント(S3A)フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-08-24T17:56:46Z)
• Generalized Time Warping Invariant Dictionary Learning for Time Series Classification and Clustering [8.14208923345076]
  動的時間ワープ(DTW)は、時間的遅延、スケーリング、変換、その他多くの時間的ミスアライメント問題を扱うために一般的に使用される。 本稿では,時変不変辞書学習アルゴリズムを提案する。 辞書学習,分類,クラスタリングの観点から,提案手法の優位性を10組の公開データセットを用いて検証した。
  論文  参考訳（メタデータ） (2023-06-30T14:18:13Z)
• A Dictionary-based approach to Time Series Ordinal Classification [0.0]
  オーディナルTDE(O-TDE)として知られるTDEアルゴリズムの順序適応について述べる。 実験は、他の4つの名義辞書ベースの手法と比較して、順序辞書ベースのアプローチによって達成された改善を示す。
  論文  参考訳（メタデータ） (2023-05-16T08:48:36Z)
• Convergence of alternating minimisation algorithms for dictionary learning [4.5687771576879594]
  辞書学習のための2つの交互最小化アルゴリズムの収束に十分な条件を導出する。 我々は、生成辞書に少なくとも1/log(K)$の距離で、あるいは、初期化の各要素が1つの生成要素のみを指していることを保証する特別な構造を持つような、よく知られた初期化が与えられた場合、どちらのアルゴリズムも生成辞書への幾何収束率に収束することを示す。
  論文  参考訳（メタデータ） (2023-04-04T12:58:47Z)
• Efficient CNN with uncorrelated Bag of Features pooling [98.78384185493624]
  Bag of Features (BoF)は、畳み込み層の複雑さを軽減するために最近提案されている。 本稿では,BoFプーリング上に構築した手法を用いて,学習辞書の項目が非冗長であることを保証する。 提案した戦略は、BoFの効率的な変種を生成し、追加のパラメータを使わずにその性能をさらに向上させる。
  論文  参考訳（メタデータ） (2022-09-22T09:00:30Z)
• HYDRA: Competing convolutional kernels for fast and accurate time series classification [9.049629596156473]
  辞書法に類似したモデルとROCKETに類似したモデルの間を次々に移動可能であることを示す。 本稿では、競合する畳み込みカーネルを用いた時系列分類のための、単純で高速で正確な辞書法HYDRAを提案する。
  論文  参考訳（メタデータ） (2022-03-25T13:58:10Z)
• Better Language Model with Hypernym Class Prediction [101.8517004687825]
  クラスベース言語モデル (LM) は、コンテキストの疎結合に$n$-gramのLMで対処するために長年開発されてきた。 本研究では,このアプローチをニューラルLMの文脈で再考する。
  論文  参考訳（メタデータ） (2022-03-21T01:16:44Z)
• Speaker Embedding-aware Neural Diarization: a Novel Framework for Overlapped Speech Diarization in the Meeting Scenario [51.5031673695118]
  重なり合う音声のダイアリゼーションを単一ラベル予測問題として再構成する。 話者埋め込み認識型ニューラルダイアリゼーション(SEND)システムを提案する。
  論文  参考訳（メタデータ） (2022-03-18T06:40:39Z)
• Deep ensembles in bioimage segmentation [74.01883650587321]
  本研究では,畳み込みニューラルネットワーク(CNN)のアンサンブルを提案する。 アンサンブル法では、多くの異なるモデルが訓練され、分類に使用され、アンサンブルは単一分類器の出力を集約する。 提案するアンサンブルは,DeepLabV3+とHarDNet環境を用いて,異なるバックボーンネットワークを組み合わせることで実現されている。
  論文  参考訳（メタデータ） (2021-12-24T05:54:21Z)
• Discriminative Dictionary Learning based on Statistical Methods [0.0]
  信号やデータのスパース表現(SR)は厳密な数学的誤り境界と証明を持つ十分に確立された理論を持つ。 最小損失の信号群を表現した辞書を辞書学習(DL)という。 MODとK-SVDは、画像「デノイング」や「インペインティング」といった画像処理における再構成ベースの応用に成功している。
  論文  参考訳（メタデータ） (2021-11-17T10:45:10Z)
• Gated recurrent units and temporal convolutional network for multilabel classification [122.84638446560663]
  本研究は,マルチラベル分類を管理するための新しいアンサンブル手法を提案する。 提案手法のコアは,Adamグラデーション最適化アプローチの変種で訓練された,ゲート再帰単位と時間畳み込みニューラルネットワークの組み合わせである。
  論文  参考訳（メタデータ） (2021-10-09T00:00:16Z)

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。