論文の概要: ECOTS: Early Classification in Open Time Series

• arxiv url: http://arxiv.org/abs/2204.00392v1
• Date: Fri, 1 Apr 2022 12:34:26 GMT
• ステータス: 処理完了
• システム内更新日: 2022-04-04 19:57:56.656192
• Title: ECOTS: Early Classification in Open Time Series
• Title（参考訳）: ECOTS: オープンタイムシリーズの早期分類
• Authors: Youssef Achenchabe, Alexis Bondu, Antoine Cornu\'ejols, Vincent Lemaire
• Abstract要約: オープンタイムシリーズの早期分類(ECOTS)にどのような手法を適応させるかを示す。 ECOTSシナリオのための2つの最先端アルゴリズムを変換し、予測保守のための実際のデータセットに関する数値実験を報告する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Learning to predict ahead of time events in open time series is challenging. While Early Classification of Time Series (ECTS) tackles the problem of balancing online the accuracy of the prediction with the cost of delaying the decision when the individuals are time series of finite length with a unique label for the whole time series. Surprisingly, this trade-off has never been investigated for open time series with undetermined length and with different classes for each subsequence of the same time series. In this paper, we propose a principled method to adapt any technique for ECTS to the Early Classification in Open Time Series (ECOTS). We show how the classifiers must be constructed and what the decision triggering system becomes in this new scenario. We address the challenge of decision making in the predictive maintenance field. We illustrate our methodology by transforming two state-of-the-art ECTS algorithms for the ECOTS scenario and report numerical experiments on a real dataset for predictive maintenance that demonstrate the practicality of the novel approach.
• Abstract（参考訳）: オープンタイムシリーズのイベントを事前に予測する学習は難しい。 初期の時系列分類 (ects) では、オンライン上で予測の正確さと、時系列全体に対するユニークなラベルを持つ有限長の時系列である場合に決定を遅らせるコストのバランスをとる問題に対処している。 驚くべきことに、このトレードオフは、未決定長で同じ時系列の各列に対して異なるクラスを持つオープン時系列に対して調査されたことはない。 本稿では,ECTS の手法を Open Time Series (ECOTS) の初期分類に適用するための原則的手法を提案する。 本稿では,この新たなシナリオにおいて,分類器の構築方法と決定トリガシステムがどうなるかを示す。 我々は,予測保守分野における意思決定の課題に対処する。 ECOTSシナリオのための2つの最先端ECTSアルゴリズムを変換し、新しいアプローチの実用性を示す予測保守のための実際のデータセットに関する数値実験を報告する。

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)
• Hierarchical Time Series Forecasting with Bayesian Modeling [0.0]
  時系列は階層的に構成されることが多く、例えば、会社の売上は異なる地域に分割され、各地域は異なる店舗に分割されることがある。 ある場合、階層内の系列の数は1つのモデルに収まるには大きすぎるため、関連する時間で予測を生成することができず、分散化されたアプローチは有益である。 この方法の1つの方法は、各系列と、階層によって示されるいくつかの要約統計系列(例えば、全系列の和)の独立予測モデルを訓練し、それらのモデルを調停アルゴリズムに渡して、系列間で情報を共有することでこれらの予測を改善することである。
  論文  参考訳（メタデータ） (2023-08-28T17:20:47Z)
• Self-Interpretable Time Series Prediction with Counterfactual Explanations [4.658166900129066]
  解釈可能な時系列予測は、医療や自動運転といった安全上重要な分野において重要である。 既存の手法の多くは、重要なスコアを時系列のセグメントに割り当てることで予測を解釈することに集中している。 我々は,時系列予測のための非現実的かつ実用的な説明を生成する,CounTS(Counfactual Time Series)と呼ばれる自己解釈可能なモデルを開発した。
  論文  参考訳（メタデータ） (2023-06-09T16:42:52Z)
• Conformal Prediction for Time Series with Modern Hopfield Networks [6.749483762719583]
  本稿では,時系列の共形予測手法であるHopCPTを提案する。 我々は,時間的依存関係が存在する時系列に対して理論的に妥当であることを示す。
  論文  参考訳（メタデータ） (2023-03-22T17:52:54Z)
• Stop&Hop: Early Classification of Irregular Time Series [16.84487620364245]
  我々は、より現実的な問題への扉を開く早期分類器のための新しい設定である不規則時系列の早期分類について研究する。 私たちのソリューションであるStop&Hopは、継続する不規則な時系列をリアルタイムにモデル化するために、連続時間リカレントネットワークを使用します。 我々は、Stop&Hopが新しい問題に適応した最先端の代替案よりも早く、より正確な予測を一貫して行うことを実証した。
  論文  参考訳（メタデータ） (2022-08-21T03:41:19Z)
• Adaptive Conformal Predictions for Time Series [0.0]
  アダプティブ・コンフォーマル推論(ACI)は、一般的な依存関係を持つ時系列に対して適切な手順であると主張する。 本稿では,オンラインエキスパートアグリゲーションに基づくACIを適応的に構築するパラメータフリー手法であるAgACIを提案する。 実際のケーススタディとして、電力価格の予測を行います。
  論文  参考訳（メタデータ） (2022-02-15T09:57:01Z)
• TACTiS: Transformer-Attentional Copulas for Time Series [76.71406465526454]
  時間変化量の推定は、医療や金融などの分野における意思決定の基本的な構成要素である。 本稿では,アテンションベースデコーダを用いて関節分布を推定する多元的手法を提案する。 本研究では,本モデルが実世界の複数のデータセットに対して最先端の予測を生成することを示す。
  論文  参考訳（メタデータ） (2022-02-07T21:37:29Z)
• 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)
• Time Series Analysis via Network Science: Concepts and Algorithms [62.997667081978825]
  本稿では,時系列をネットワークに変換する既存のマッピング手法について概観する。 我々は、主要な概念的アプローチを説明し、権威的な参照を提供し、統一された表記法と言語におけるそれらの利点と限界について洞察を与える。 ごく最近の研究だが、この研究領域には大きな可能性を秘めており、今後の研究の道を開くことを目的としている。
  論文  参考訳（メタデータ） (2021-10-11T13:33:18Z)
• Model-Attentive Ensemble Learning for Sequence Modeling [86.4785354333566]
  シーケンスモデリング(MAES)のためのモデル・アテンティブ・アンサンブル・ラーニングを提案する。 MAESは、異なるシーケンスダイナミクスの専門家を専門とし、予測を適応的に重み付けるために、注目ベースのゲーティングメカニズムを利用する時系列の専門家の混合物です。 MAESが時系列シフトを受けるデータセットの人気シーケンスモデルを大幅に上回ることを示す。
  論文  参考訳（メタデータ） (2021-02-23T05:23:35Z)
• Predicting Temporal Sets with Deep Neural Networks [50.53727580527024]
  本稿では,時間集合予測のためのディープニューラルネットワークに基づく統合解を提案する。 ユニークな視点は、セットレベルの共起グラフを構築することで要素関係を学ぶことである。 我々は,要素や集合の時間依存性を適応的に学習するアテンションベースのモジュールを設計する。
  論文  参考訳（メタデータ） (2020-06-20T03:29:02Z)

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。