論文の概要: The FreshPRINCE: A Simple Transformation Based Pipeline Time Series Classifier

• arxiv url: http://arxiv.org/abs/2201.12048v1
• Date: Fri, 28 Jan 2022 11:23:58 GMT
• ステータス: 処理完了
• システム内更新日: 2022-01-31 22:52:29.707802
• Title: The FreshPRINCE: A Simple Transformation Based Pipeline Time Series Classifier
• Title（参考訳）: FreshPRINCE: 簡単な変換ベースのパイプライン時系列分類器
• Authors: Matthew Middlehurst and Anthony Bagnall
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: There have recently been significant advances in the accuracy of algorithms proposed for time series classification (TSC). However, a commonly asked question by real world practitioners and data scientists less familiar with the research topic, is whether the complexity of the algorithms considered state of the art is really necessary. Many times the first approach suggested is a simple pipeline of summary statistics or other time series feature extraction approaches such as TSFresh, which in itself is a sensible question; in publications on TSC algorithms generalised for multiple problem types, we rarely see these approaches considered or compared against. We experiment with basic feature extractors using vector based classifiers shown to be effective with continuous attributes in current state-of-the-art time series classifiers. We test these approaches on the UCR time series dataset archive, looking to see if TSC literature has overlooked the effectiveness of these approaches. We find that a pipeline of TSFresh followed by a rotation forest classifier, which we name FreshPRINCE, performs best. It is not state of the art, but it is significantly more accurate than nearest neighbour with dynamic time warping, and represents a reasonable benchmark for future comparison.
• Abstract（参考訳）: 近年,時系列分類(TSC)のために提案されるアルゴリズムの精度が著しく向上している。 しかし、実際の実践者やデータサイエンティストが研究のトピックに詳しくない質問としてよく聞かれるのは、アルゴリズムの複雑さが最先端にあると考えるかどうかだ。 最初に提案されたアプローチは、単純な要約統計のパイプラインやTSFreshのような時系列の特徴抽出アプローチであり、それ自体は理にかなった問題であり、複数の問題タイプに一般化されたTSCアルゴリズムの出版物では、これらのアプローチが考慮または比較されることはめったにない。 ベクトルベース分類器を用いて,現在最先端の時系列分類器の連続特性に有効であることを示す。 これらのアプローチをucr時系列データセットアーカイブでテストし、tsc文献がこれらのアプローチの有効性を見落としているかどうかを確認した。 TSFreshのパイプラインに続いて, FreshPRINCEと呼ばれる回転森林分類器が最適であることがわかった。 最先端の技術ではないが、動的に経時的に振る舞う隣人よりもかなり正確であり、将来の比較のための合理的なベンチマークである。

関連論文リスト

• 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)
• 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)
• COSTI: a New Classifier for Sequences of Temporal Intervals [0.0]
  時間間隔のシーケンスを直接操作する新しい分類法を開発した。 提案手法は高い精度を保ち、変換データの操作に接続する欠点を回避しつつ、より良い性能が得られる。
  論文  参考訳（メタデータ） (2022-04-28T12:55:06Z)
• 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)
• TimeREISE: Time-series Randomized Evolving Input Sample Explanation [5.557646286040063]
  TimeREISEは時系列分類の文脈において、特に成功に対応するモデル属性法である。 本手法は, 既往の高精度な測定方法と比較して, 優れた性能を示す。
  論文  参考訳（メタデータ） (2022-02-16T09:40:13Z)
• 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)
• 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)
• Interpretable Feature Construction for Time Series Extrinsic Regression [0.028675177318965035]
  一部のアプリケーション領域では、対象変数が数値であり、その問題は時系列外部回帰(TSER)として知られている。 TSERの文脈における頑健で解釈可能な特徴構築と選択のためのベイズ法の拡張を提案する。 私たちのアプローチは、TSERに取り組むためのリレーショナルな方法を利用します:(i)、リレーショナルデータスキームに格納されている時系列の多様で単純な表現を構築し、(ii)二次テーブルからデータを「フラット化」するために解釈可能な機能を構築するためにプロポジション化技術を適用します。
  論文  参考訳（メタデータ） (2021-03-15T08:12:19Z)
• 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)
• Time Series Extrinsic Regression [6.5513221781395465]
  Time Series Extrinsic Regression (TSER)は、時系列と連続スカラー変数の関係を学習することを目的とした回帰タスクである。 我々は、TSERデータセット19の新たなアーカイブ上で、既存の解とTSCアルゴリズムの適応をベンチマークする。 以上の結果から,現在最先端のTSCアルゴリズムであるRocketが回帰に適応すると,全体的な精度が最も高いことがわかった。
  論文  参考訳（メタデータ） (2020-06-23T00:15:10Z)
• 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)

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。