論文の概要: Time Series Classification Using Convolutional Neural Network On Imbalanced Datasets

• arxiv url: http://arxiv.org/abs/2110.04748v1
• Date: Sun, 10 Oct 2021 10:02:14 GMT
• ステータス: 処理完了
• システム内更新日: 2021-10-16 16:47:40.800418
• Title: Time Series Classification Using Convolutional Neural Network On Imbalanced Datasets
• Title（参考訳）: 不均衡データセット上の畳み込みニューラルネットワークを用いた時系列分類
• Authors: Syed Rawshon Jamil
• Abstract要約: 時系列分類(TSC)はその幅広い用途のために文学において多くの注目を集めている。 本稿では、サンプリングベースとアルゴリズムアプローチの両方を用いて、不均衡問題に対処する。 不均衡比が高いにもかかわらず、シミュレーションされたTwoPatternsデータセットではFスコアが97.6%に達する可能性がある。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Time Series Classification (TSC) has drawn a lot of attention in literature because of its broad range of applications for different domains, such as medical data mining, weather forecasting. Although TSC algorithms are designed for balanced datasets, most real-life time series datasets are imbalanced. The Skewed distribution is a problem for time series classification both in distance-based and feature-based algorithms under the condition of poor class separability. To address the imbalance problem, both sampling-based and algorithmic approaches are used in this paper. Different methods significantly improve time series classification's performance on imbalanced datasets. Despite having a high imbalance ratio, the result showed that F score could be as high as 97.6% for the simulated TwoPatterns Dataset.
• Abstract（参考訳）: 時系列分類(tsc)は、医学データマイニングや天気予報など、さまざまな分野に幅広く適用されているため、文学において多くの注目を集めている。 TSCアルゴリズムはバランスの取れたデータセットのために設計されているが、ほとんどのリアルタイム時系列データセットは不均衡である。 スキュード分布は、クラス分離性の低い条件下で、距離ベースアルゴリズムと特徴ベースアルゴリズムの両方において時系列分類の問題である。 この不均衡問題に対処するために,サンプリングベースとアルゴリズムアプローチの両方を用いる。 異なる方法は、不均衡データセットにおける時系列分類の性能を大幅に改善する。 不均衡率が高いにもかかわらず、シミュレーションされたTwoPatterns DatasetではFスコアが97.6%に達する可能性がある。

関連論文リスト

• Class-Based Time Series Data Augmentation to Mitigate Extreme Class Imbalance for Solar Flare Prediction [1.4272411349249625]
  時系列データは、さまざまな領域において重要な役割を担い、意思決定と予測モデリングに価値がある。 機械学習(ML)とディープラーニング(DL)はこの点において有望だが、パフォーマンスはデータ品質と量に依存している。 データ拡張技術は、これらの課題に対処するための潜在的な解決策を提供するが、多変量時系列データセットに対するそれらの効果は、まだ探索されていない。
  論文  参考訳（メタデータ） (2024-05-31T03:03:19Z)
• Imbalanced Aircraft Data Anomaly Detection [103.01418862972564]
  航空シナリオ下でのセンサーからの時間データの異常検出は実用的だが難しい課題である。 本稿では,グラフィカル・テンポラル・データ分析フレームワークを提案する。 シリーズ・トゥ・イメージ (S2I) と呼ばれる3つのモジュール、ユークリッド距離 (CRD) を用いたクラスタ・ベース・リサンプリング・アプローチ、変数・ベース・ロス (VBL) から構成される。
  論文  参考訳（メタデータ） (2023-05-17T09:37:07Z)
• Revisiting Long-tailed Image Classification: Survey and Benchmarks with New Evaluation Metrics [88.39382177059747]
  メトリクスのコーパスは、長い尾の分布で学習するアルゴリズムの正確性、堅牢性、およびバウンダリを測定するために設計されている。 ベンチマークに基づいて,CIFAR10およびCIFAR100データセット上での既存手法の性能を再評価する。
  論文  参考訳（メタデータ） (2023-02-03T02:40:54Z)
• Towards Similarity-Aware Time-Series Classification [51.2400839966489]
  時系列データマイニングの基本課題である時系列分類(TSC)について検討する。 グラフニューラルネットワーク(GNN)を用いて類似情報をモデル化するフレームワークであるSimTSCを提案する。
  論文  参考訳（メタデータ） (2022-01-05T02:14:57Z)
• Cluster-and-Conquer: A Framework For Time-Series Forecasting [94.63501563413725]
  本稿では,高次元時系列データを予測するための3段階フレームワークを提案する。 当社のフレームワークは非常に汎用的で,各ステップで時系列予測やクラスタリングが利用可能です。 単純な線形自己回帰モデルでインスタンス化されると、いくつかのベンチマークデータセットで最先端の結果が得られる。
  論文  参考訳（メタデータ） (2021-10-26T20:41:19Z)
• 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)
• Towards Synthetic Multivariate Time Series Generation for Flare Forecasting [5.098461305284216]
  データ駆動・レアイベント予測アルゴリズムのトレーニングにおける制限要因の1つは、関心のあるイベントの不足である。 本研究では,データインフォームド・オーバーサンプリングを行う手段として,条件付き生成逆数ネットワーク(CGAN)の有用性を検討する。
  論文  参考訳（メタデータ） (2021-05-16T22:23:23Z)
• 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)
• TadGAN: Time Series Anomaly Detection Using Generative Adversarial Networks [73.01104041298031]
  TadGANは、GAN(Generative Adversarial Networks)上に構築された教師なしの異常検出手法である。 時系列の時間相関を捉えるために,ジェネレータと批評家のベースモデルとしてLSTMリカレントニューラルネットワークを用いる。 提案手法の性能と一般化性を示すため,いくつかの異常スコアリング手法を検証し,最も適した手法を報告する。
  論文  参考訳（メタデータ） (2020-09-16T15:52:04Z)
• Minority Oversampling for Imbalanced Time Series Classification [7.695093197007146]
  本稿では,高次元不均衡時間系列分類に対処するオーバーサンプリング手法を提案する。 いくつかの公開時系列データセットの実験結果は、最先端のオーバーサンプリングアルゴリズムに対するOHITの優位性を示している。
  論文  参考訳（メタデータ） (2020-04-14T09:20:12Z)
• Multi-label Prediction in Time Series Data using Deep Neural Networks [19.950094635430048]
  本稿では,多次元時系列データに対するマルチラベル予測故障分類問題に対処する。 提案アルゴリズムは2つの公開ベンチマークデータセットで検証される。
  論文  参考訳（メタデータ） (2020-01-27T21:35:15Z)

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。