論文の概要: WEASEL 2.0 -- A Random Dilated Dictionary Transform for Fast, Accurate
and Memory Constrained Time Series Classification
- arxiv url: http://arxiv.org/abs/2301.10194v1
- Date: Tue, 24 Jan 2023 18:10:11 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-25 12:50:49.828439
- Title: WEASEL 2.0 -- A Random Dilated Dictionary Transform for Fast, Accurate
and Memory Constrained Time Series Classification
- Title(参考訳): WEASEL 2.0 - 高速・高精度・メモリ制約時系列分類のためのランダム拡張辞書変換
- Authors: Patrick Sch\"afer and Ulf Leser
- Abstract要約: WEASEL 2.0 は,最近の TSC の2つの進歩に基づく WEASEL の完全オーバーホールである。
UCRベンチマークセットの他の15のSotAメソッドと比較して、WEASEL 2.0は他の辞書メソッドよりもはるかに正確である。
- 参考スコア(独自算出の注目度): 6.957232327345943
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: A time series is a sequence of sequentially ordered real values in time. Time
series classification (TSC) is the task of assigning a time series to one of a
set of predefined classes, usually based on a model learned from examples.
Dictionary-based methods for TSC rely on counting the frequency of certain
patterns in time series and are important components of the currently most
accurate TSC ensembles. One of the early dictionary-based methods was WEASEL,
which at its time achieved SotA results while also being very fast. However, it
is outperformed both in terms of speed and accuracy by other methods.
Furthermore, its design leads to an unpredictably large memory footprint,
making it inapplicable for many applications.
In this paper, we present WEASEL 2.0, a complete overhaul of WEASEL based on
two recent advancements in TSC: Dilation and ensembling of randomized
hyper-parameter settings. These two techniques allow WEASEL 2.0 to work with a
fixed-size memory footprint while at the same time improving accuracy. Compared
to 15 other SotA methods on the UCR benchmark set, WEASEL 2.0 is significantly
more accurate than other dictionary methods and not significantly worse than
the currently best methods. Actually, it achieves the highest median accuracy
over all data sets, and it performs best in 5 out of 12 problem classes. We
thus believe that WEASEL 2.0 is a viable alternative for current TSC and also a
potentially interesting input for future ensembles.
- Abstract(参考訳): 時系列 (time series) は、時系列的に順序付けられた実値の列である。
時系列分類 (time series classification, tsc) は、事前定義されたクラスの集合の1つに時系列を割り当てるタスクである。
TSCの辞書ベースの手法は、時系列中の特定のパターンの頻度を数えることに依存しており、現在最も正確なTSCアンサンブルの重要な構成要素である。
初期の辞書ベースの手法の1つがWEASELであり、これは当時非常に高速でSotAの結果を得た。
しかし、他の手法では速度と精度の両方で上回っている。
さらに、その設計は予測できないほど大きなメモリフットプリントをもたらし、多くのアプリケーションに適用できない。
本稿では, WEASEL 2.0について述べる。WEASEL 2.0は, TSCの2つの最近の進歩に基づくWEASELの完全オーバーホールである。
これら2つの技術により、WEASEL 2.0は固定サイズのメモリフットプリントで動作すると同時に、精度を向上させることができる。
UCRベンチマークセットの他の15のSotAメソッドと比較すると、WEASEL 2.0は他の辞書メソッドよりもかなり正確であり、現在の最良のメソッドよりもかなり悪いものではない。
実際、すべてのデータセットに対して最も高い中央値の精度を達成し、12の問題クラスのうち5つで最高のパフォーマンスを発揮する。
したがって、WEASEL 2.0 は現在の TSC の代替であり、将来のアンサンブルに対する潜在的に興味深いインプットであると信じている。
関連論文リスト
- Chronos: Learning the Language of Time Series [79.38691251254173]
Chronosは事前訓練された確率的時系列モデルのためのフレームワークである。
クロノスモデルでは,様々な領域の時系列データを利用して,未知の予測タスクにおけるゼロショット精度を向上させることができることを示す。
論文 参考訳(メタデータ) (2024-03-12T16:53:54Z) - Fast Classification of Large Time Series Datasets [0.0]
時系列分類(TSC)は、時系列マイニングにおいて最もインポートされたタスクである。
時系列データセットのサイズが永遠に大きくなるにつれて、従来のTSCメソッドはもはや十分ではない。
論文 参考訳(メタデータ) (2023-12-10T22:56:09Z) - A Dictionary-based approach to Time Series Ordinal Classification [0.0]
オーディナルTDE(O-TDE)として知られるTDEアルゴリズムの順序適応について述べる。
実験は、他の4つの名義辞書ベースの手法と比較して、順序辞書ベースのアプローチによって達成された改善を示す。
論文 参考訳(メタデータ) (2023-05-16T08:48:36Z) - Learning Phone Recognition from Unpaired Audio and Phone Sequences Based
on Generative Adversarial Network [58.82343017711883]
そこで本研究では,不適切な音声系列や発話から直接学習する方法について検討する。
GAN訓練を第1段階に導入し,無声音声と音声シーケンスのマッピング関係を求める。
第2段階では、発電機の出力からトレーニングするために別のHMMモデルが導入され、性能が向上する。
論文 参考訳(メタデータ) (2022-07-29T09:29:28Z) - Conditional set generation using Seq2seq models [52.516563721766445]
条件セット生成は、トークンの入力シーケンスからセットへのマッピングを学習する。
シーケンス・ツー・シーケンス(Seq2seq)モデルは、モデルセット生成において一般的な選択である。
本稿では,ラベル順序空間上の情報的順序を効果的に抽出する新しいアルゴリズムを提案する。
論文 参考訳(メタデータ) (2022-05-25T04:17:50Z) - HYDRA: Competing convolutional kernels for fast and accurate time series
classification [9.049629596156473]
辞書法に類似したモデルとROCKETに類似したモデルの間を次々に移動可能であることを示す。
本稿では、競合する畳み込みカーネルを用いた時系列分類のための、単純で高速で正確な辞書法HYDRAを提案する。
論文 参考訳(メタデータ) (2022-03-25T13:58:10Z) - On Second-order Optimization Methods for Federated Learning [59.787198516188425]
フェデレート学習環境における局所的なステップを持つ2階分散手法の性能評価を行った。
本稿では,更新のための2階ローカル情報とグローバルライン検索を用いて,結果の局所的特異性に対処する新たな変種を提案する。
論文 参考訳(メタデータ) (2021-09-06T12:04:08Z) - VSAC: Efficient and Accurate Estimator for H and F [68.65610177368617]
VSACはRANSAC型頑健な推定器であり、多くの新奇性がある。
従来のすべてのプロセッサよりも大幅に高速で、CPU上では平均1-2msで動作する。
現在最も正確な2次元幾何学推定器である MAGSAC++ と同等の精度で2桁高速である。
論文 参考訳(メタデータ) (2021-06-18T17:04:57Z) - Fast, Accurate and Interpretable Time Series Classification Through
Randomization [20.638480955703102]
時系列分類(TSC)は、与えられた時系列のクラスラベルを予測することを目的としている。
我々は、ランダム化された時系列フォレスト(r-STSF)という新しいTSC手法を提案する。
r-STSFは非常に効率的で、最先端の分類精度を実現し、解釈性を実現している。
論文 参考訳(メタデータ) (2021-05-31T10:59:11Z) - The Temporal Dictionary Ensemble (TDE) Classifier for Time Series
Classification [0.0]
時間辞書アンサンブル(TDE)は他の辞書ベースアプローチよりも正確である。
HIVE-COTEは、現在の最高のディープラーニングアプローチよりもはるかに正確です。
この進歩は時系列の分類のための芸術の新しい状態を表します。
論文 参考訳(メタデータ) (2021-05-09T05:27:42Z) - 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)
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。