論文の概要: Early Time-Series Classification Algorithms: An Empirical Comparison

• arxiv url: http://arxiv.org/abs/2203.01628v1
• Date: Thu, 3 Mar 2022 10:43:56 GMT
• ステータス: 処理完了
• システム内更新日: 2022-03-05 03:32:43.534366
• Title: Early Time-Series Classification Algorithms: An Empirical Comparison
• Title（参考訳）: 初期時系列分類アルゴリズム:経験的比較
• Authors: Charilaos Akasiadis and Evgenios Kladis and Evangelos Michelioudakis and Elias Alevizos and Alexander Artikis
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 59.82930053437851
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Early Time-Series Classification (ETSC) is the task of predicting the class of incoming time-series by observing as few measurements as possible. Such methods can be employed to obtain classification forecasts in many time-critical applications. However, available techniques are not equally suitable for every problem, since differentiations in the data characteristics can impact algorithm performance in terms of earliness, accuracy, F1-score, and training time. We evaluate six existing ETSC algorithms on publicly available data, as well as on two newly introduced datasets originating from the life sciences and maritime domains. Our goal is to provide a framework for the evaluation and comparison of ETSC algorithms and to obtain intuition on how such approaches perform on real-life applications. The presented framework may also serve as a benchmark for new related techniques.
• Abstract（参考訳）: 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。 このような手法は、多くの時間クリティカルな応用において分類予測を得るために用いられる。 しかし、データ特性の微分は、イヤーライン、精度、F1スコア、トレーニング時間といった点でアルゴリズムのパフォーマンスに影響を与えるため、あらゆる問題に対して利用可能なテクニックは等しく適していない。 我々は,生活科学と海洋ドメインを起源とする2つの新しいデータセットと同様に,公開データに対して既存のETSCアルゴリズムを6つ評価した。 我々のゴールは、ETSCアルゴリズムの評価と比較のためのフレームワークを提供することであり、そのようなアプローチが実際のアプリケーションでどのように機能するかの直感を得ることである。 提示されたフレームワークは、新しい関連するテクニックのベンチマークとしても機能する。

関連論文リスト

• RHiOTS: A Framework for Evaluating Hierarchical Time Series Forecasting Algorithms [0.393259574660092]
  RHiOTSは、階層的な時系列予測モデルとアルゴリズムを実世界のデータセット上で堅牢性を評価するように設計されている。 RHiOTSは、複雑な多次元ロバストネス評価結果を直感的で容易に解釈可能なビジュアルに変換する革新的な可視化コンポーネントを組み込んでいる。 従来の統計的手法は、変換効果が非常に破壊的である場合を除き、最先端のディープラーニングアルゴリズムよりも頑健であることを示す。
  論文  参考訳（メタデータ） (2024-08-06T18:52:15Z)
• TSI-Bench: Benchmarking Time Series Imputation [52.27004336123575]
  TSI-Benchは、ディープラーニング技術を利用した時系列計算のための総合ベンチマークスイートである。 TSI-Benchパイプラインは、実験的な設定を標準化し、計算アルゴリズムの公平な評価を可能にする。 TSI-Benchは、計算目的のために時系列予測アルゴリズムを調整するための体系的なパラダイムを革新的に提供する。
  論文  参考訳（メタデータ） (2024-06-18T16:07:33Z)
• Improving the Evaluation and Actionability of Explanation Methods for Multivariate Time Series Classification [4.588028371034407]
  MTSCに適用された属性手法の評価手法であるInterpretTimeの分析に焦点をあてる。 提案手法のいくつかの重大な弱点を示し,その精度と効率を改善するためのアイデアを提案する。 SHAPやFeature Ablationのような摂動に基づく手法は、データセットの集合でうまく機能する。
  論文  参考訳（メタデータ） (2024-06-18T11:18:46Z)
• Supervised Time Series Classification for Anomaly Detection in Subsea Engineering [0.0]
  IntactとBrokenの2つの状態を持つ物理システムに基づくシミュレーションデータに対する教師付き機械学習分類アルゴリズムの使用について検討する。 本稿では,時間データの事前処理について,統計的分散と次元縮小の手法を用いて包括的な議論を行う。 本稿では,さまざまなパフォーマンス指標に基づく各種手法の比較を行い,機械学習を意思決定のツールとして活用することの利点を示す。
  論文  参考訳（メタデータ） (2024-03-12T18:25:10Z)
• Multivariate Time Series Early Classification Across Channel and Time Dimensions [3.5786621294068373]
  より柔軟な早期分類パイプラインを提案し、入力チャネルをより細かく検討する。 提案手法は,等価な入力利用のための精度の向上を図り,早期分類のパラダイムを向上することができる。
  論文  参考訳（メタデータ） (2023-06-26T11:30:33Z)
• Exogenous Data in Forecasting: FARM -- A New Measure for Relevance Evaluation [62.997667081978825]
  FARM - Forward Relevance Aligned Metricという新しいアプローチを導入する。 我々のフォワード法は、その後のデータポイントの変化を時系列に合わせるために比較する角測度に依存する。 第1の検証ステップとして、FARMアプローチの合成信号・代表信号への適用について述べる。
  論文  参考訳（メタデータ） (2023-04-21T15:22:33Z)
• 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)
• 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)
• Doing Great at Estimating CATE? On the Neglected Assumptions in Benchmark Comparisons of Treatment Effect Estimators [91.3755431537592]
  もっとも単純な設定であっても、無知性仮定に基づく推定は誤解を招く可能性があることを示す。 異種処理効果評価のための機械学習ベンチマークデータセットを2つ検討した。 ベンチマークデータセットの固有の特性が、他のものよりもいくつかのアルゴリズムを好んでいる点を強調します。
  論文  参考訳（メタデータ） (2021-07-28T13:21:27Z)
• 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。