論文の概要: Classification of Time-Series Data Using Boosted Decision Trees

• arxiv url: http://arxiv.org/abs/2110.00581v1
• Date: Fri, 1 Oct 2021 15:28:26 GMT
• ステータス: 処理完了
• システム内更新日: 2021-10-05 15:27:38.329471
• Title: Classification of Time-Series Data Using Boosted Decision Trees
• Title（参考訳）: ブースト決定木を用いた時系列データの分類
• Authors: Erfan Aasi, Cristian Ioan Vasile, Mahroo Bahreinian, Calin Belta
• Abstract要約: 時系列データ分類は、ロボットや自動運転車のような自律システムの分析と制御の中心である。 現在のフレームワークは、自律運転のような現実世界のアプリケーションでは不正確か、あるいは解釈性に欠ける長く複雑な公式を生成する。 本稿では,信号時間論理(STL)式を表すバイナリ分類器を生成するために,BCDT(Boosted Concise Decision Trees)と呼ばれる新しい学習手法を提案する。
• 参考スコア（独自算出の注目度）: 3.4606842570088094
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Time-series data classification is central to the analysis and control of autonomous systems, such as robots and self-driving cars. Temporal logic-based learning algorithms have been proposed recently as classifiers of such data. However, current frameworks are either inaccurate for real-world applications, such as autonomous driving, or they generate long and complicated formulae that lack interpretability. To address these limitations, we introduce a novel learning method, called Boosted Concise Decision Trees (BCDTs), to generate binary classifiers that are represented as Signal Temporal Logic (STL) formulae. Our algorithm leverages an ensemble of Concise Decision Trees (CDTs) to improve the classification performance, where each CDT is a decision tree that is empowered by a set of techniques to generate simpler formulae and improve interpretability. The effectiveness and classification performance of our algorithm are evaluated on naval surveillance and urban-driving case studies.
• Abstract（参考訳）: 時系列データ分類は、ロボットや自動運転車のような自律システムの分析と制御の中心である。 このようなデータの分類器として,時間論理に基づく学習アルゴリズムが最近提案されている。 しかし、現在のフレームワークは、自律運転のような現実世界のアプリケーションでは不正確か、あるいは解釈不可能な長く複雑な公式を生成する。 これらの制約に対処するため、信号時間論理(STL)式として表されるバイナリ分類器を生成するための新しい学習手法、Boosted Concise Decision Trees (BCDTs)を導入する。 本アルゴリズムは, 精度決定木(CDT)のアンサンブルを利用して分類性能を向上し, それぞれのCDTは, より単純な式を生成し, 解釈可能性を向上させるための一連の技術によって強化された決定木である。 本アルゴリズムの有効性と分類性能は, 海上監視と都市運転のケーススタディで評価した。

関連論文リスト

• Learning Optimal Signal Temporal Logic Decision Trees for Classification: A Max-Flow MILP Formulation [5.924780594614676]
  本稿では,データから時間的時間的論理特性を推定するための新しい枠組みを提案する。 混合整数線形プログラミング最適化問題として推論過程を定式化する。 結果木に最大フローアルゴリズムを適用すると、この問題はグローバルな最適化問題に変換される。 我々は,2クラス,複数クラス,複雑な式分類シナリオを含む3つのケーススタディを実施している。
  論文  参考訳（メタデータ） (2024-07-30T16:56:21Z)
• Switchable Decision: Dynamic Neural Generation Networks [98.61113699324429]
  本稿では,各データインスタンスのリソースを動的に割り当てることで,推論を高速化するスイッチブルな決定を提案する。 提案手法は, 同一の精度を維持しながら, 推論時のコスト低減に有効である。
  論文  参考訳（メタデータ） (2024-05-07T17:44:54Z)
• The Cascaded Forward Algorithm for Neural Network Training [61.06444586991505]
  本稿では,ニューラルネットワークのための新しい学習フレームワークであるCascaded Forward(CaFo)アルゴリズムを提案する。 FFとは異なり、我々のフレームワークは各カスケードブロックのラベル分布を直接出力する。 我々のフレームワークでは、各ブロックは独立して訓練できるので、並列加速度システムに容易に展開できる。
  論文  参考訳（メタデータ） (2023-03-17T02:01:11Z)
• A Stable, Fast, and Fully Automatic Learning Algorithm for Predictive Coding Networks [65.34977803841007]
  予測符号化ネットワークは、ベイズ統計学と神経科学の両方にルーツを持つ神経科学にインスパイアされたモデルである。 シナプス重みに対する更新規則の時間的スケジュールを変更するだけで、元の規則よりもずっと効率的で安定したアルゴリズムが得られることを示す。
  論文  参考訳（メタデータ） (2022-11-16T00:11:04Z)
• Learning Signal Temporal Logic through Neural Network for Interpretable Classification [13.829082181692872]
  本稿では時系列行動の分類のための説明可能なニューラルネットワーク・シンボリック・フレームワークを提案する。 提案手法の計算効率, コンパクト性, 解釈可能性について, シナリオの駆動と海軍の監視事例研究を通じて実証する。
  論文  参考訳（メタデータ） (2022-10-04T21:11:54Z)
• Optimal randomized classification trees [0.0]
  分類と回帰木(英: Classification and Regression Trees、CART)は、現代の統計学と機械学習における既成の技術である。 CARTはgreedyプロシージャによって構築され、分割予測変数と関連するしきい値を逐次決定する。 この強欲なアプローチは、木を非常に高速に木に分類するが、その性質上、それらの分類精度は他の最先端の手順と競合しないかもしれない。
  論文  参考訳（メタデータ） (2021-10-19T11:41:12Z)
• Machine Learning for Online Algorithm Selection under Censored Feedback [71.6879432974126]
  オンラインアルゴリズム選択(OAS)では、アルゴリズム問題クラスのインスタンスがエージェントに次々に提示され、エージェントは、固定された候補アルゴリズムセットから、おそらく最高のアルゴリズムを迅速に選択する必要がある。 SAT(Satisfiability)のような決定問題に対して、品質は一般的にアルゴリズムのランタイムを指す。 本研究では,OASのマルチアームバンディットアルゴリズムを再検討し,この問題に対処する能力について議論する。 ランタイム指向の損失に適応し、時間的地平線に依存しない空間的・時間的複雑さを維持しながら、部分的に検閲されたデータを可能にする。
  論文  参考訳（メタデータ） (2021-09-13T18:10:52Z)
• Inferring Temporal Logic Properties from Data using Boosted Decision Trees [3.4606842570088094]
  本論文は,学習に基づくロボット制御の解釈に向けた第一歩である。 本稿では,漸進的な公式と予測学習という新しい学習問題を導入する。 本稿では,弱いが計算コストの低い学習者による予測と性能向上を実現するために,強化された決定木アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-05-24T19:29:02Z)
• An Extensive Experimental Evaluation of Automated Machine Learning Methods for Recommending Classification Algorithms (Extended Version) [4.400989370979334]
  これら3つの手法は進化的アルゴリズム(EA)に基づいており、もう1つはAuto-WEKAである。 我々は,これらの4つのAutoMLメソッドに,この制限の異なる値に対して,同じランタイム制限を付与する制御実験を行った。 一般に,3つの最良のAutoML手法の予測精度の差は統計的に有意ではなかった。
  論文  参考訳（メタデータ） (2020-09-16T02:36:43Z)
• MurTree: Optimal Classification Trees via Dynamic Programming and Search [61.817059565926336]
  動的プログラミングと探索に基づいて最適な分類木を学習するための新しいアルゴリズムを提案する。 当社のアプローチでは,最先端技術が必要とする時間のごく一部しか使用せず,数万のインスタンスでデータセットを処理することが可能です。
  論文  参考訳（メタデータ） (2020-07-24T17:06:55Z)
• Run2Survive: A Decision-theoretic Approach to Algorithm Selection based on Survival Analysis [75.64261155172856]
  生存分析(SA)は、自然に検閲されたデータをサポートし、アルゴリズムランタイムの分散モデルを学習するためにそのようなデータを使用する適切な方法を提供する。 我々は、アルゴリズム選択に対する洗練された決定論的アプローチの基礎として、そのようなモデルを活用し、Run2Surviveを疑う。 標準ベンチマークASlibによる広範な実験では、我々のアプローチは競争力が高く、多くの場合、最先端のASアプローチよりも優れていることが示されている。
  論文  参考訳（メタデータ） (2020-07-06T15:20:17Z)

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。