Fugu-MT 論文翻訳(概要): RED CoMETS: An ensemble classifier for symbolically represented multivariate time series

論文の概要: RED CoMETS: An ensemble classifier for symbolically represented multivariate time series

arxiv url: http://arxiv.org/abs/2307.13679v2
Date: Sat, 16 Sep 2023 20:11:40 GMT
ステータス: 処理完了
システム内更新日: 2023-09-19 23:08:35.226704
Title: RED CoMETS: An ensemble classifier for symbolically represented multivariate time series
Title（参考訳）: RED CoMETS:記号的に表される多変量時系列のためのアンサンブル分類器
Authors: Luca A. Bennett and Zahraa S. Abdallah
Abstract要約: 本稿ではRED CoMETSと呼ばれる新しいアンサンブル分類器を紹介する。レッド・コメッツ (Red CoMETS) は、一変量時系列を象徴的に表すために特別に設計されたアンサンブル分類器であるコアイ (Co-eye) の成功に基づいている。これは'HandMovementDirection'データセットの文献で報告された最も高い精度を達成する。
参考スコア（独自算出の注目度）: 1.0878040851638
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Multivariate time series classification is a rapidly growing research field with practical applications in finance, healthcare, engineering, and more. The complexity of classifying multivariate time series data arises from its high dimensionality, temporal dependencies, and varying lengths. This paper introduces a novel ensemble classifier called RED CoMETS (Random Enhanced Co-eye for Multivariate Time Series), which addresses these challenges. RED CoMETS builds upon the success of Co-eye, an ensemble classifier specifically designed for symbolically represented univariate time series, and extends its capabilities to handle multivariate data. The performance of RED CoMETS is evaluated on benchmark datasets from the UCR archive, where it demonstrates competitive accuracy when compared to state-of-the-art techniques in multivariate settings. Notably, it achieves the highest reported accuracy in the literature for the 'HandMovementDirection' dataset. Moreover, the proposed method significantly reduces computation time compared to Co-eye, making it an efficient and effective choice for multivariate time series classification.
Abstract（参考訳）: 多変量時系列分類は、金融、医療、工学などの実践的な応用で急速に成長している研究分野である。多変量時系列データの分類の複雑さは、その高次元、時間依存、長さの違いから生じる。本稿では、これらの課題に対処するRED CoMETS(Random Enhanced Co-eye for Multivariate Time Series)と呼ばれる新しいアンサンブル分類器を提案する。 RED CoMETSは、一変量時系列を象徴的に表すために特別に設計されたアンサンブル分類器であるCo-eyeの成功に基づいており、多変量データを扱う能力を拡張している。 RED CoMETSのパフォーマンスは、UCRアーカイブのベンチマークデータセットで評価され、多変量設定における最先端技術と比較して、競合する精度を示す。特に、'HandMovementDirection'データセットの文献で最も正確であると報告されている。さらに,提案手法はCo-eyeと比較して計算時間を著しく短縮し,多変量時系列分類の効率的かつ効率的な選択となる。

関連論文リスト

MGCP: A Multi-Grained Correlation based Prediction Network for Multivariate Time Series [54.91026286579748]
本稿では,マルチグラインド相関に基づく予測ネットワークを提案する。予測性能を高めるために3段階の相関を同時に検討する。注意機構に基づく予測器と条件判別器を用いて、粗い粒度の予測結果を最適化する。
論文参考訳（メタデータ） (2024-05-30T03:32:44Z)
Time Series Clustering With Random Convolutional Kernels [0.0]
時系列データ(気候学から金融学、医療まで)は、データマイニングにおいて大きな課題を提示している。ひとつは時系列クラスタリングで、これはラベルなしの時系列データの大量処理に不可欠である。 R-Clusteringは、ランダムに選択されたパラメータを持つ畳み込みアーキテクチャを利用する新しい手法である。
論文参考訳（メタデータ） (2023-05-17T06:25:22Z)
Robust Detection of Lead-Lag Relationships in Lagged Multi-Factor Models [61.10851158749843]
データ固有のリード-ラグ関係を発見することで、重要な洞察を得ることができる。階層化多要素モデルにおけるリードラグ関係のロバスト検出のためのクラスタリング駆動手法を開発した。
論文参考訳（メタデータ） (2023-05-11T10:30:35Z)
FormerTime: Hierarchical Multi-Scale Representations for Multivariate Time Series Classification [53.55504611255664]
formerTimeは、多変量時系列分類タスクの分類能力を改善する階層的表現モデルである。 1)時系列データから階層的なマルチスケール表現を学習し、(2)トランスフォーマーと畳み込みネットワークの強さを継承し、(3)自己維持メカニズムによって引き起こされる効率の課題に取り組む。
論文参考訳（メタデータ） (2023-02-20T07:46:14Z)
Multi-scale Attention Flow for Probabilistic Time Series Forecasting [68.20798558048678]
マルチスケールアテンション正規化フロー(MANF)と呼ばれる非自己回帰型ディープラーニングモデルを提案する。我々のモデルは累積誤差の影響を回避し、時間の複雑さを増大させない。本モデルは,多くの多変量データセット上での最先端性能を実現する。
論文参考訳（メタデータ） (2022-05-16T07:53:42Z)
Enhancing Transformer Efficiency for Multivariate Time Series Classification [12.128991867050487]
本稿では,モデル効率と精度,複雑さの関係を考察する手法を提案する。ベンチマークMSSデータセットの総合実験により,本手法の有効性が示された。
論文参考訳（メタデータ） (2022-03-28T03:25:19Z)
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)
Multi-Time Attention Networks for Irregularly Sampled Time Series [18.224344440110862]
不規則サンプリングは多くの時系列モデリングアプリケーションで発生する。我々は,この設定のための新しいディープラーニングフレームワークを提案し,これをマルチ時間注意ネットワークと呼ぶ。その結果,我々のアプローチは,ベースラインや最近提案されたモデルと同等かそれ以上の性能を示すことができた。
論文参考訳（メタデータ） (2021-01-25T18:57:42Z)
Multi-Faceted Representation Learning with Hybrid Architecture for Time Series Classification [16.64345034889185]
SARCoN(Self-Attentive Recurrent Convolutional Networks)と呼ばれるハイブリッドニューラルネットワークを提案する。 SARCoNは、長期記憶ネットワークと自己拡張機構と完全な畳み込みネットワークの合成である。我々の研究は、時系列分類の理解を深める新しいアングルを提供し、提案したモデルを現実世界のアプリケーションに最適な選択肢とみなす。
論文参考訳（メタデータ） (2020-12-21T16:42:07Z)
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)
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。