論文の概要: Knowledge Extraction with Interval Temporal Logic Decision Trees
- arxiv url: http://arxiv.org/abs/2305.16864v1
- Date: Fri, 26 May 2023 12:15:56 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-29 15:14:52.577539
- Title: Knowledge Extraction with Interval Temporal Logic Decision Trees
- Title（参考訳）: 区間時間論理決定木を用いた知識抽出
- Authors: Guido Sciavicco and Stan Ionel Eduard
- Abstract要約: 時系列から時間決定木を抽出するテンポラルC4.5を導入する。
本稿では,実験結果の集合を公開データセットの集合上で後者と議論する。
- 参考スコア（独自算出の注目度）: 0.7310043452300736
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Multivariate temporal, or time, series classification is, in a way, the
temporal generalization of (numeric) classification, as every instance is
described by multiple time series instead of multiple values. Symbolic
classification is the machine learning strategy to extract explicit knowledge
from a data set, and the problem of symbolic classification of multivariate
temporal series requires the design, implementation, and test of ad-hoc machine
learning algorithms, such as, for example, algorithms for the extraction of
temporal versions of decision trees. One of the most well-known algorithms for
decision tree extraction from categorical data is Quinlan's ID3, which was
later extended to deal with numerical attributes, resulting in an algorithm
known as C4.5, and implemented in many open-sources data mining libraries,
including the so-called Weka, which features an implementation of C4.5 called
J48. ID3 was recently generalized to deal with temporal data in form of
timelines, which can be seen as discrete (categorical) versions of multivariate
time series, and such a generalization, based on the interval temporal logic
HS, is known as Temporal ID3. In this paper we introduce Temporal C4.5, that
allows the extraction of temporal decision trees from undiscretized
multivariate time series, describe its implementation, called Temporal J48, and
discuss the outcome of a set of experiments with the latter on a collection of
public data sets, comparing the results with those obtained by other,
classical, multivariate time series classification methods.
- Abstract（参考訳）: 多変量時間、時間、級数分類は、ある意味で、(数値)分類の時間的一般化であり、全てのインスタンスは複数の値の代わりに複数の時系列によって記述される。
シンボリック分類とは、データセットから明示的な知識を抽出する機械学習戦略であり、多変量時間系列のシンボリック分類の問題は、例えば意思決定木の時間的バージョンを抽出するアルゴリズムのような、アドホックな機械学習アルゴリズムの設計、実装、およびテストを必要とする。
カテゴリデータから決定木を抽出する最もよく知られたアルゴリズムの1つは、クインランのID3であり、これは後に数値属性を扱うように拡張され、結果としてC4.5と呼ばれるアルゴリズムが生まれ、いわゆるWekaを含む多くのオープンソースデータマイニングライブラリで実装された。
ID3は最近、時系列の時間データを扱うために一般化され、それは多変量時系列の離散的な(カテゴリー的な)バージョンと見なすことができ、その一般化は、時間論理HSに基づくテンポラルID3として知られている。
本稿では、時間的決定木を非離散化された多変量時系列から抽出し、その実装をTemporal J48と呼び、公開データセットの集合上で後者と実験の集合の結果について議論し、その結果を他の古典的・多変量時系列分類法と比較する。
関連論文リスト
- 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) - Generalized Time Warping Invariant Dictionary Learning for Time Series
Classification and Clustering [8.14208923345076]
動的時間ワープ(DTW)は、時間的遅延、スケーリング、変換、その他多くの時間的ミスアライメント問題を扱うために一般的に使用される。
本稿では,時変不変辞書学習アルゴリズムを提案する。
辞書学習,分類,クラスタリングの観点から,提案手法の優位性を10組の公開データセットを用いて検証した。
論文 参考訳（メタデータ） (2023-06-30T14:18:13Z) - Robust Explainer Recommendation for Time Series Classification [4.817429789586127]
時系列分類は、人間の活動認識、スポーツ分析、一般的な感覚といった分野に共通する課題である。
近年,サリエンシマップの形での説明を提供するため,時系列に多種多様な手法が提案され,適用されている。
本稿では,時系列分類のための説明手法を定量的に評価し,ランク付けするための新しい枠組みを提案する。
論文 参考訳（メタデータ） (2023-06-08T18:49:23Z) - HyperTime: Implicit Neural Representation for Time Series [131.57172578210256]
暗黙の神経表現(INR)は、データの正確で解像度に依存しないエンコーディングを提供する強力なツールとして最近登場した。
本稿では、INRを用いて時系列の表現を分析し、再構成精度とトレーニング収束速度の点で異なるアクティベーション関数を比較した。
本稿では,INRを利用して時系列データセット全体の圧縮潜在表現を学習するハイパーネットワークアーキテクチャを提案する。
論文 参考訳（メタデータ） (2022-08-11T14:05:51Z) - Novel Features for Time Series Analysis: A Complex Networks Approach [62.997667081978825]
時系列データは、気候、経済、医療などいくつかの領域で広く使われている。
最近の概念的アプローチは、複雑なネットワークへの時系列マッピングに依存している。
ネットワーク分析は、異なるタイプの時系列を特徴付けるのに使うことができる。
論文 参考訳（メタデータ） (2021-10-11T13:46:28Z) - The Semantic Adjacency Criterion in Time Intervals Mining [70.13948372218849]
SAC(Semantic Adjacency Criterion)と呼ばれる頻繁な時間パターン発見過程における新たなプルーニング制約を提案する。
我々は3つのSACバージョンを定義し、その効果を3つの医学領域で検証した。
論文 参考訳（メタデータ） (2021-01-11T12:23:49Z) - Explainable Multivariate Time Series Classification: A Deep Neural
Network Which Learns To Attend To Important Variables As Well As Informative
Time Intervals [32.30627405832656]
時系列データは、様々な現実世界のアプリケーションで広く使われている。
このような予測モデルを理解するための重要な基準は、分類に対する時間変化の入力変数の寄与を解明し定量化することである。
本稿では,変数と時間間隔を同時に識別し,分類出力を決定する新しい,モジュール型・畳み込み型特徴抽出・注目機構を提案する。
論文 参考訳（メタデータ） (2020-11-23T19:16:46Z) - From Time Series to Euclidean Spaces: On Spatial Transformations for
Temporal Clustering [5.220940151628734]
従来のクラスタリング手法,時系列特異性,あるいは深層学習に基づく代替手法は,入力データに様々なサンプリングレートと高次元性が存在する場合によく一般化しないことを示す。
本稿では,入力時系列を距離ベース投影表現に変換する時間クラスタリング手法を提案する。
論文 参考訳（メタデータ） (2020-10-02T09:08:16Z) - Benchmarking Multivariate Time Series Classification Algorithms [69.12151492736524]
時系列分類(TSC)は、順序付き、実値付き、属性から離散的なターゲット変数の予測モデルを構築することを含む。
近年,従来の技術よりも大幅に改良された新しいTSCアルゴリズムが開発されている。
本稿では, 深層学習, シェープレット, 単語の袋を用いた MTSC アルゴリズムを提案する。
論文 参考訳（メタデータ） (2020-07-26T15:56:40Z) - 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) - Supervised Feature Subset Selection and Feature Ranking for Multivariate
Time Series without Feature Extraction [78.84356269545157]
MTS分類のための教師付き特徴ランキングと特徴サブセット選択アルゴリズムを導入する。
MTSの既存の教師なし特徴選択アルゴリズムとは異なり、我々の手法は時系列から一次元特徴ベクトルを生成するために特徴抽出ステップを必要としない。
論文 参考訳（メタデータ） (2020-05-01T07:46:29Z)
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。