論文の概要: Fast, Accurate and Interpretable Time Series Classification Through Randomization

• arxiv url: http://arxiv.org/abs/2105.14876v1
• Date: Mon, 31 May 2021 10:59:11 GMT
• ステータス: 処理完了
• システム内更新日: 2021-06-01 17:40:05.385783
• Title: Fast, Accurate and Interpretable Time Series Classification Through Randomization
• Title（参考訳）: ランダム化による高速・高精度・解釈可能な時系列分類
• Authors: Nestor Cabello, Elham Naghizade, Jianzhong Qi, Lars Kulik
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 20.638480955703102
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Time series classification (TSC) aims to predict the class label of a given time series, which is critical to a rich set of application areas such as economics and medicine. State-of-the-art TSC methods have mostly focused on classification accuracy and efficiency, without considering the interpretability of their classifications, which is an important property required by modern applications such as appliance modeling and legislation such as the European General Data Protection Regulation. To address this gap, we propose a novel TSC method - the Randomized-Supervised Time Series Forest (r-STSF). r-STSF is highly efficient, achieves state-of-the-art classification accuracy and enables interpretability. r-STSF takes an efficient interval-based approach to classify time series according to aggregate values of discriminatory sub-series (intervals). To achieve state-of-the-art accuracy, r-STSF builds an ensemble of randomized trees using the discriminatory sub-series. It uses four time series representations, nine aggregation functions and a supervised binary-inspired search combined with a feature ranking metric to identify highly discriminatory sub-series. The discriminatory sub-series enable interpretable classifications. Experiments on extensive datasets show that r-STSF achieves state-of-the-art accuracy while being orders of magnitude faster than most existing TSC methods. It is the only classifier from the state-of-the-art group that enables interpretability. Our findings also highlight that r-STSF is the best TSC method when classifying complex time series datasets.
• Abstract（参考訳）: 時系列分類(TSC)は、特定の時系列のクラスラベルを予測することを目的としており、経済学や医学などの応用分野の豊富なセットにとって重要なものである。 最先端のtsc法は主に分類精度と効率に重点を置いており、分類の解釈可能性を考慮していない。 このギャップに対処するため, ランダム化された時系列フォレスト (r-STSF) を新たに提案する。 r-STSFは非常に効率的で、最先端の分類精度を実現し、解釈可能である。 r-STSFは、識別サブシリーズ(インターバル)の集約値に従って時系列を分類する効率的な間隔ベースのアプローチをとる。 最先端の精度を達成するため、r-STSFは識別サブシリーズを用いてランダム化された木々のアンサンブルを構築する。 4つの時系列表現、9つの集約関数、教師付きバイナリインスパイアされた検索と特徴ランキングの指標を組み合わせて、高度に差別的なサブシリーズを識別する。 識別サブシリーズは解釈可能な分類を可能にする。 広範なデータセットの実験では、r-STSFは最先端の精度を達成し、既存のTSC法よりも桁違いに高速であることが示された。 これは、解釈可能性を実現する最先端グループからの唯一の分類器である。 また, 複雑な時系列データセットの分類において, r-STSF が最適であることを示す。

関連論文リスト

• Exploring Hierarchical Classification Performance for Time Series Data: Dissimilarity Measures and Classifier Comparisons [0.0]
  本研究では,時系列データ解析における階層分類(HC)とフラット分類(FC)の手法の比較性能について検討した。 Jensen-Shannon Distance (JSD), Task similarity Distance (TSD), Based Distance (CBD)などの異種性対策が活用されている。
  論文  参考訳（メタデータ） (2024-02-07T21:46:26Z)
• 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)
• Shapelet-based Model-agnostic Counterfactual Local Explanations for Time Series Classification [5.866975269666861]
  時系列分類のためのモデルに依存しないインスタンスベースのポストホック説明可能性法を提案する。 提案したアルゴリズム、すなわちTime-CFはシェープレットとTimeGANを利用して任意の時系列分類器に反実的な説明を提供する。
  論文  参考訳（メタデータ） (2024-02-02T11:57:53Z)
• Convolutional and Deep Learning based techniques for Time Series Ordinal Classification [7.047582157120573]
  時系列規則分類(TSOC)は、このギャップをカバーする分野であるが、文献では未解明である。 本稿では,TSOC手法の最初のベンチマークを行い,対象ラベルの順序付けを利用して,現在のTSCの現状を向上する。
  論文  参考訳（メタデータ） (2023-06-16T11:57:11Z)
• ProTeCt: Prompt Tuning for Taxonomic Open Set Classification [59.59442518849203]
  分類学的オープンセット(TOS)設定では、ほとんどショット適応法はうまくいきません。 本稿では,モデル予測の階層的一貫性を校正する即時チューニング手法を提案する。 次に,階層整合性のための新しいPrompt Tuning(ProTeCt)手法を提案し,ラベル集合の粒度を分類する。
  論文  参考訳（メタデータ） (2023-06-04T02:55:25Z)
• Parametric Classification for Generalized Category Discovery: A Baseline Study [70.73212959385387]
  Generalized Category Discovery (GCD)は、ラベル付きサンプルから学習した知識を用いて、ラベルなしデータセットで新しいカテゴリを発見することを目的としている。 パラメトリック分類器の故障を調査し,高品質な監視が可能であった場合の過去の設計選択の有効性を検証し,信頼性の低い疑似ラベルを重要課題として同定する。 エントロピー正規化の利点を生かし、複数のGCDベンチマークにおける最先端性能を実現し、未知のクラス数に対して強いロバスト性を示す、単純で効果的なパラメトリック分類法を提案する。
  論文  参考訳（メタデータ） (2022-11-21T18:47:11Z)
• Early Time-Series Classification Algorithms: An Empirical Comparison [59.82930053437851]
  早期時系列分類(Early Time-Series Classification, ETSC)は、できるだけ少ない測定で時系列のクラスを予測するタスクである。 既存のETSCアルゴリズムを公開データと,新たに導入された2つのデータセットで評価した。
  論文  参考訳（メタデータ） (2022-03-03T10:43:56Z)
• 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)
• The Canonical Interval Forest (CIF) Classifier for Time Series Classification [0.0]
  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。
  論文  参考訳（メタデータ） (2020-08-20T19:26:24Z)
• 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。