論文の概要: MrSQM: Fast Time Series Classification with Symbolic Representations
- arxiv url: http://arxiv.org/abs/2109.01036v1
- Date: Thu, 2 Sep 2021 15:54:46 GMT
- ステータス: 処理完了
- システム内更新日: 2021-09-03 13:48:52.318482
- Title: MrSQM: Fast Time Series Classification with Symbolic Representations
- Title（参考訳）: MrSQM:記号表現を用いた高速時系列分類
- Authors: Thach Le Nguyen and Georgiana Ifrim
- Abstract要約: MrSQMは複数のシンボル表現と効率的なシーケンスマイニングを使用して重要な時系列特徴を抽出する。
本研究は, 完全教師付きから非教師付き, ハイブリッドまで, 記号列の4つの特徴選択手法について検討する。
UEA/UCRベンチマークの112のデータセットに対する実験では、MrSQMがすぐに有用な特徴を抽出できることが示されている。
- 参考スコア（独自算出の注目度）: 11.853438514668207
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Symbolic representations of time series have proven to be effective for time
series classification, with many recent approaches including SAX-VSM, BOSS,
WEASEL, and MrSEQL. The key idea is to transform numerical time series to
symbolic representations in the time or frequency domain, i.e., sequences of
symbols, and then extract features from these sequences. While achieving high
accuracy, existing symbolic classifiers are computationally expensive. In this
paper we present MrSQM, a new time series classifier which uses multiple
symbolic representations and efficient sequence mining, to extract important
time series features. We study four feature selection approaches on symbolic
sequences, ranging from fully supervised, to unsupervised and hybrids. We
propose a new approach for optimal supervised symbolic feature selection in
all-subsequence space, by adapting a Chi-squared bound developed for
discriminative pattern mining, to time series. Our extensive experiments on 112
datasets of the UEA/UCR benchmark demonstrate that MrSQM can quickly extract
useful features and learn accurate classifiers with the classic logistic
regression algorithm. Interestingly, we find that a very simple and fast
feature selection strategy can be highly effective as compared with more
sophisticated and expensive methods. MrSQM advances the state-of-the-art for
symbolic time series classifiers and it is an effective method to achieve high
accuracy, with fast runtime.
- Abstract（参考訳）: 時系列の記号表現は、SAX-VSM、BOSS、WEASEL、MMSSEQLなど、最近の多くのアプローチで時系列分類に有効であることが証明されている。
鍵となるアイデアは、数値時系列を時間領域や周波数領域、すなわち記号列の記号表現に変換し、それらの列から特徴を抽出することである。
精度は高いが、既存の記号分類器は計算コストが高い。
本稿では,複数のシンボル表現と効率的なシーケンスマイニングを用いた新しい時系列分類器MrSQMを提案する。
本研究は, 完全教師付きから非教師付き, ハイブリッドまで, 記号列の4つの特徴選択手法について検討する。
識別パターンマイニングのために開発されたchi-squaredバウンドを時系列に適応させることにより,全列空間における最適教師付きシンボリック特徴選択法を提案する。
UEA/UCRベンチマークの112データセットに関する広範な実験により、MrSQMは有用な特徴を素早く抽出し、古典的ロジスティック回帰アルゴリズムを用いて正確な分類法を学習できることを示した。
興味深いことに、非常にシンプルで高速な機能選択戦略は、より高度で高価な方法と比較して非常に効果的である。
MrSQMはシンボリック時系列分類器の最先端化を推進し、高速な実行で高精度を実現する効果的な方法である。
関連論文リスト
- Quantized symbolic time series approximation [0.28675177318965045]
本稿では,新しい量子化に基づくABBA記号近似手法,QABBAを提案する。
QABBAは、元の速度とシンボル再構成の精度を維持しながら、ストレージ効率を向上させる。
時系列回帰のための大規模言語モデル(LLM)を用いたQABBAの応用についても述べる。
論文 参考訳（メタデータ） (2024-11-20T10:32:22Z) - 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) - Quick Adaptive Ternary Segmentation: An Efficient Decoding Procedure For
Hidden Markov Models [70.26374282390401]
ノイズの多い観測から元の信号(すなわち隠れ鎖)を復号することは、ほぼすべてのHMMに基づくデータ分析の主要な目標の1つである。
本稿では,多対数計算複雑性において隠れた列を復号化するための分法であるQuick Adaptive Ternary(QATS)を提案する。
論文 参考訳（メタデータ） (2023-05-29T19:37:48Z) - 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) - ASTRIDE: Adaptive Symbolization for Time Series Databases [6.8820425565516095]
時系列の新たなシンボル表現である ASTRIDE と FASTRIDE (Fast ASTRIDE) について紹介する。
多くのシンボル化手順とは異なり、ASTRIDEは、変化点検出と量子化ステップを量子化を用いて行うことにより、セグメンテーションステップの両方に適応する。
本稿では,SAX,1d-SAX,SFA,ABBAと比較して,ASTRIDEおよびFASTRIDE表現の再現性および適用性について述べる。
論文 参考訳（メタデータ） (2023-02-08T14:46:24Z) - 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) - 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) - An efficient aggregation method for the symbolic representation of
temporal data [0.0]
本稿では,適応的ブラウン橋型アグリゲーション法 (ABBA) の新たな変種であるfABBAを提案する。
この変種は、時系列の断片表現に合わせた新しい集約アプローチを利用する。
従来の手法とは対照的に、新しいアプローチでは事前に指定する時系列シンボルの数を必要としない。
論文 参考訳（メタデータ） (2022-01-14T22:51:24Z) - 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) - Interpretable Time Series Classification using Linear Models and
Multi-resolution Multi-domain Symbolic Representations [6.6147550436077776]
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。
論文 参考訳（メタデータ） (2020-05-31T15:32:08Z) - Supervised Feature Subset Selection and Feature Ranking for Multivariate
Time Series without Feature Extraction [78.84356269545157]
MTS分類のための教師付き特徴ランキングと特徴サブセット選択アルゴリズムを導入する。
MTSの既存の教師なし特徴選択アルゴリズムとは異なり、我々の手法は時系列から一次元特徴ベクトルを生成するために特徴抽出ステップを必要としない。
論文 参考訳（メタデータ） (2020-05-01T07:46:29Z)
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。