論文の概要: Scalable Classifier-Agnostic Channel Selection for MTSC
- arxiv url: http://arxiv.org/abs/2206.09274v1
- Date: Sat, 18 Jun 2022 19:57:46 GMT
- ステータス: 処理完了
- システム内更新日: 2022-06-22 17:32:05.052222
- Title: Scalable Classifier-Agnostic Channel Selection for MTSC
- Title(参考訳): MTSCのためのスケーラブルな分類器-非依存チャネル選択
- Authors: Bhaskar Dhariyal, Thach Le Nguyen, Georgiana Ifrim
- Abstract要約: 現在の時系列分類アルゴリズムは、訓練と予測を完了するのに数百時間の計算時間を必要とする。
チャネル選択のための2つの方法を提案し,評価する。
チャネル選択は、最先端のMTSCアルゴリズムをトレーニングする前に前処理ステップとして適用される。
- 参考スコア(独自算出の注目度): 7.94957965474334
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Accuracy is a key focus of current work in time series classification.
However, speed and data reduction in many applications is equally important,
especially when the data scale and storage requirements increase rapidly.
Current MTSC algorithms need hundreds of compute hours to complete training and
prediction. This is due to the nature of multivariate time series data, which
grows with the number of time series, their length and the number of channels.
In many applications, not all the channels are useful for the classification
task; hence we require methods that can efficiently select useful channels and
thus save computational resources. We propose and evaluate two methods for
channel selection. Our techniques work by representing each class by a
prototype time series and performing channel selection based on the prototype
distance between classes. The main hypothesis is that useful channels enable
better separation between classes; hence, channels with the higher distance
between class prototypes are more useful. On the UEA Multivariate Time Series
Classification (MTSC) benchmark, we show that these techniques achieve
significant data reduction and classifier speedup for similar levels of
classification accuracy. Channel selection is applied as a pre-processing step
before training state-of-the-art MTSC algorithms and saves about 70\% of
computation time and data storage, with preserved accuracy. Furthermore, our
methods enable even efficient classifiers, such as ROCKET, to achieve better
accuracy than using no channel selection or forward channel selection. To
further study the impact of our techniques, we present experiments on
classifying synthetic multivariate time series datasets with more than 100
channels, as well as a real-world case study on a dataset with 50 channels. Our
channel selection methods lead to significant data reduction with preserved or
improved accuracy.
- Abstract(参考訳): 精度は、時系列分類における現在の作業の重要な焦点である。
しかし、特にデータスケールとストレージ要件が急速に増加すると、多くのアプリケーションで速度とデータ削減が重要である。
現在のMTSCアルゴリズムでは、トレーニングと予測の完了に数百時間を要する。
これは多変量時系列データの性質によるものであり、時系列の数、長さ、チャネルの数に応じて増大する。
多くのアプリケーションでは、すべてのチャネルが分類タスクに有用ではないため、有用なチャネルを効率的に選択し、計算資源を節約できる方法が必要となる。
チャネル選択のための2つの手法を提案し,評価する。
本手法は,各クラスをプロトタイプ時系列で表現し,クラス間のプロトタイプ距離に基づいてチャネル選択を行う。
主な仮説は、有用なチャネルはクラス間のより良い分離を可能にするため、クラスプロトタイプ間の高い距離を持つチャネルはより有用である。
UEA Multivariate Time Series Classification (MTSC) ベンチマークでは,これらの手法が類似の分類精度のレベルにおいて,データ削減と分類器の高速化を実現していることを示す。
チャネル選択は、最先端mtscアルゴリズムをトレーニングする前に前処理ステップとして適用され、計算時間とデータストレージの約70\%を保存精度で節約する。
さらに, ROCKETなどの効率の良い分類器も, チャネル選択や前方チャネル選択を使わずに, 精度が向上する。
そこで本研究では,100以上のチャンネルからなる合成多変量時系列データセットの分類実験と,50チャンネルからなるデータセットに関する実世界のケーススタディを提案する。
チャネル選択法は,保存あるいは精度の向上により,大幅なデータ削減につながる。
関連論文リスト
- Towards Free Data Selection with General-Purpose Models [71.92151210413374]
望ましいデータ選択アルゴリズムは、限られたアノテーション予算の有用性を最大化するために、最も情報性の高いサンプルを効率的に選択することができる。
アクティブな学習手法で表現された現在のアプローチは、通常、時間を要するモデルのトレーニングとバッチデータ選択を繰り返し繰り返す、面倒なパイプラインに従う。
FreeSelは重いバッチ選択プロセスをバイパスし、効率を大幅に改善し、既存のアクティブラーニングメソッドよりも530倍高速である。
論文 参考訳(メタデータ) (2023-09-29T15:50:14Z) - Evaluating Explanation Methods for Multivariate Time Series
Classification [4.817429789586127]
本論文の主な焦点は多変量時系列分類(MTSC)に適した説明手法の分析と評価である。
分類決定に最も関係の深いチャンネルや時系列ポイントを指摘できる唾液度に基づく説明法に着目する。
これらの手法を3つの合成データセットと2つの実世界のデータセットで検討し、提供された説明を定量的に定性的に分析する。
論文 参考訳(メタデータ) (2023-08-29T11:24:12Z) - Multi-view self-supervised learning for multivariate variable-channel
time series [1.094320514634939]
入力チャネルを個別に操作するための1つのエンコーダの学習を提案する。
次に、メッセージパッシングニューラルネットワークを使用して、チャネル間の単一の表現を抽出します。
TS2Vecの損失と組み合わせることで、ほとんどの設定で他のメソッドよりも優れていることを示す。
論文 参考訳(メタデータ) (2023-07-13T19:03:06Z) - Multivariate Time Series Classification: A Deep Learning Approach [1.0742675209112622]
本稿では時系列分類領域に適用可能な様々な手法とニューラルネットワークアーキテクチャについて検討する。
データは、酸素や音などの量を測定し、追跡するガスセンサー群から得られる。
このデータにより、特定の環境における占有などの事象を検出することができる。
論文 参考訳(メタデータ) (2023-07-05T12:50:48Z) - 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) - An Efficient Machine Learning-based Channel Prediction Technique for
OFDM Sub-Bands [0.0]
我々はOFDMサブバンドにおけるチャネル予測のための効率的な機械学習(ML)に基づく手法を提案する。
提案手法の新規性は、選択的なフェーディングにおける将来のチャネル挙動を推定するために使用されるチャネルフェーディングサンプルのトレーニングにある。
論文 参考訳(メタデータ) (2023-05-31T09:41:27Z) - TempNet: Temporal Attention Towards the Detection of Animal Behaviour in
Videos [63.85815474157357]
本稿では,映像中の生物学的行動を検出するための,効率的なコンピュータビジョンと深層学習に基づく手法を提案する。
TempNetはエンコーダブリッジと残留ブロックを使用して、2段階の空間的、そして時間的、エンコーダでモデル性能を維持する。
本研究では,サブルフィッシュ (Anoplopoma fimbria) 幼虫の検出への応用を実証する。
論文 参考訳(メタデータ) (2022-11-17T23:55:12Z) - Compactness Score: A Fast Filter Method for Unsupervised Feature
Selection [66.84571085643928]
本稿では,CSUFS (Compactness Score) と呼ばれる高速な教師なし特徴選択手法を提案する。
提案アルゴリズムは既存のアルゴリズムよりも正確で効率的である。
論文 参考訳(メタデータ) (2022-01-31T13:01:37Z) - Improving Calibration for Long-Tailed Recognition [68.32848696795519]
このようなシナリオにおけるキャリブレーションとパフォーマンスを改善する2つの方法を提案します。
異なるサンプルによるデータセットバイアスに対して,シフトバッチ正規化を提案する。
提案手法は,複数の長尾認識ベンチマークデータセットに新しいレコードをセットする。
論文 参考訳(メタデータ) (2021-04-01T13:55:21Z) - Channel-wise Knowledge Distillation for Dense Prediction [73.99057249472735]
本稿では,学生ネットワークと教師ネットワークのチャンネルワイズ機能について提案する。
様々なネットワーク構造を持つ3つのベンチマークにおいて、一貫して優れた性能を実現している。
論文 参考訳(メタデータ) (2020-11-26T12:00:38Z) - DeepSIC: Deep Soft Interference Cancellation for Multiuser MIMO
Detection [98.43451011898212]
複数のシンボルが同時に送信されるマルチユーザマルチインプットマルチアウトプット(MIMO)設定では、正確なシンボル検出が困難である。
本稿では,DeepSICと呼ぶ反復ソフト干渉キャンセリング(SIC)アルゴリズムの,データ駆動による実装を提案する。
DeepSICは、チャネルを線形にすることなく、限られたトレーニングサンプルから共同検出を行うことを学ぶ。
論文 参考訳(メタデータ) (2020-02-08T18:31:00Z)
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。