論文の概要: Never a Dull Moment: Distributional Properties as a Baseline for Time-Series Classification

• arxiv url: http://arxiv.org/abs/2303.17809v1
• Date: Fri, 31 Mar 2023 05:55:54 GMT
• ステータス: 処理完了
• システム内更新日: 2023-04-03 15:20:54.907516
• Title: Never a Dull Moment: Distributional Properties as a Baseline for Time-Series Classification
• Title（参考訳）: Never a Dull Moment: 時系列分類のベースラインとしての分布特性
• Authors: Trent Henderson, Annie G. Bryant, Ben D. Fulcher
• Abstract要約: 極めて単純な分類手法の性能を評価する。 平均偏差と標準偏差に基づく単純な線形モデルは、統合失調症の個人を分類する上でより優れている。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The variety of complex algorithmic approaches for tackling time-series classification problems has grown considerably over the past decades, including the development of sophisticated but challenging-to-interpret deep-learning-based methods. But without comparison to simpler methods it can be difficult to determine when such complexity is required to obtain strong performance on a given problem. Here we evaluate the performance of an extremely simple classification approach -- a linear classifier in the space of two simple features that ignore the sequential ordering of the data: the mean and standard deviation of time-series values. Across a large repository of 128 univariate time-series classification problems, this simple distributional moment-based approach outperformed chance on 69 problems, and reached 100% accuracy on two problems. With a neuroimaging time-series case study, we find that a simple linear model based on the mean and standard deviation performs better at classifying individuals with schizophrenia than a model that additionally includes features of the time-series dynamics. Comparing the performance of simple distributional features of a time series provides important context for interpreting the performance of complex time-series classification models, which may not always be required to obtain high accuracy.
• Abstract（参考訳）: 時系列分類問題に取り組むための複雑なアルゴリズム的アプローチは、この数十年で大きく成長し、高度で難解な深層学習に基づく手法の開発も行われている。 しかし、単純な方法と比べれば、与えられた問題に対して強力なパフォーマンスを得るのに、そのような複雑さがいつ必要か判断するのは困難である。 本稿では、時系列値の平均値と標準値の偏差を無視する2つの単純な特徴の空間における線形分類器として、非常に単純な分類手法の性能を評価する。 128個の不平等な時系列の分類問題の大規模なリポジトリを通して、この単純な分布モーメントベースのアプローチは69の問題の確率を上回り、2つの問題で100%の精度に達した。 神経画像による時系列ケーススタディでは、平均偏差と標準偏差に基づく単純な線形モデルは、時系列ダイナミクスの特徴を付加するモデルよりも、統合失調症の個人を分類する上で優れていることが判明した。 時系列の単純な分布特性のパフォーマンスを比較することは、複雑な時系列分類モデルの性能を解釈するための重要な文脈を提供する。

関連論文リスト

• Learning K-U-Net with constant complexity: An Application to time series forecasting [1.8816077341295625]
  時系列予測のための深層モデルのトレーニングは、時間複雑性の固有の課題において重要なタスクである。 本稿では,ディープラーニングモデルにおいて一定の時間的複雑性を実現するために,指数関数的に重み付けされた勾配降下アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-10-03T12:35:17Z)
• Concrete Dense Network for Long-Sequence Time Series Clustering [4.307648859471193]
  時系列クラスタリングは、時間的パターンを発見するためのデータ分析において基本である。 深部時間クラスタリング手法は、ニューラルネットワークのエンドツーエンドトレーニングに標準k平均を組み込もうとしている。 LoSTerは、時系列クラスタリング問題に対する新しい密集型オートエンコーダアーキテクチャである。
  論文  参考訳（メタデータ） (2024-05-08T12:31:35Z)
• Graph Spatiotemporal Process for Multivariate Time Series Anomaly Detection with Missing Values [67.76168547245237]
  本稿では,グラフ時間過程と異常スコアラを用いて異常を検出するGST-Proという新しいフレームワークを提案する。 実験結果から,GST-Pro法は時系列データ中の異常を効果的に検出し,最先端の手法より優れていることがわかった。
  論文  参考訳（メタデータ） (2024-01-11T10:10:16Z)
• Compound Batch Normalization for Long-tailed Image Classification [77.42829178064807]
  本稿では,ガウス混合に基づく複合バッチ正規化法を提案する。 機能空間をより包括的にモデル化し、ヘッドクラスの優位性を減らすことができる。 提案手法は,画像分類における既存の手法よりも優れている。
  論文  参考訳（メタデータ） (2022-12-02T07:31:39Z)
• Amortized Inference for Causal Structure Learning [72.84105256353801]
  因果構造を学習することは、通常、スコアまたは独立テストを使用して構造を評価することを伴う探索問題を引き起こす。 本研究では,観測・干渉データから因果構造を予測するため,変分推論モデルを訓練する。 我々のモデルは、実質的な分布シフトの下で頑健な一般化能力を示す。
  論文  参考訳（メタデータ） (2022-05-25T17:37:08Z)
• Novelty Detection in Sequential Data by Informed Clustering and Modeling [8.108571247838206]
  正常なシーケンスをモデル化し、モデル予測から新しいシーケンスのずれを測定することで、新規性を検出することができる。 本稿では、離散シーケンスクラスタリングに最先端のビジュアル分析ツールを適用し、ドメインの専門家から情報クラスタを得る。 本手法は,3つの実世界のアプリケーションシナリオにおいて,離散シーケンスに対する最先端のノベルティ検出手法より優れる。
  論文  参考訳（メタデータ） (2021-03-05T20:58:24Z)
• Contrastive learning of strong-mixing continuous-time stochastic processes [53.82893653745542]
  コントラスト学習(Contrastive Learning)は、ラベルのないデータから構築された分類タスクを解決するためにモデルを訓練する自己指導型の手法のファミリーである。 拡散の場合,小～中距離間隔の遷移カーネルを適切に構築したコントラスト学習タスクを用いて推定できることが示される。
  論文  参考訳（メタデータ） (2021-03-03T23:06:47Z)
• Theoretical Insights Into Multiclass Classification: A High-dimensional Asymptotic View [82.80085730891126]
  線形多クラス分類の最初の現代的精度解析を行う。 分析の結果,分類精度は分布に依存していることがわかった。 得られた洞察は、他の分類アルゴリズムの正確な理解の道を開くかもしれない。
  論文  参考訳（メタデータ） (2020-11-16T05:17:29Z)
• Good Classifiers are Abundant in the Interpolating Regime [64.72044662855612]
  補間分類器間のテストエラーの完全な分布を正確に計算する手法を開発した。 テストエラーは、最悪の補間モデルのテストエラーから大きく逸脱する、小さな典型的な$varepsilon*$に集中する傾向にある。 以上の結果から,統計的学習理論における通常の解析手法は,実際に観測された優れた一般化性能を捉えるのに十分な粒度にはならない可能性が示唆された。
  論文  参考訳（メタデータ） (2020-06-22T21:12:31Z)
• 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)
• Complexity Measures and Features for Times Series classification [0.0]
  本稿では,時系列分類問題に対する時系列構造に関する情報を抽出できる特徴セットを提案する。 提案手法の実験結果から, 最先端モデルの2次モデルと3次モデルとに統計的に有意な差は認められなかった。
  論文  参考訳（メタデータ） (2020-02-27T11:08:08Z)

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。