Fugu-MT 論文翻訳(概要): QUANT: A Minimalist Interval Method for Time Series Classification

論文の概要: QUANT: A Minimalist Interval Method for Time Series Classification

arxiv url: http://arxiv.org/abs/2308.00928v1
Date: Wed, 2 Aug 2023 04:06:16 GMT
ステータス: 処理完了
システム内更新日: 2023-08-03 13:59:28.861265
Title: QUANT: A Minimalist Interval Method for Time Series Classification
Title（参考訳）: quant: 時系列分類のための最小区間法
Authors: Angus Dempster, Daniel F. Schmidt, Geoffrey I. Webb
Abstract要約: 単一の特徴量(量子)を用いてベンチマークデータセットの標準集合上での時系列分類における最も正確な間隔法として,平均的に同じ精度を達成可能であることを示す。この間隔ベースのアプローチの蒸留は、時系列分類の迅速かつ正確な方法を示し、単一のCPUコアを使用して合計計算時間を15分未満で、UCRアーカイブの142データセットの拡張セットに対して最先端の精度を達成する。
参考スコア（独自算出の注目度）: 9.049629596156473
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: We show that it is possible to achieve the same accuracy, on average, as the most accurate existing interval methods for time series classification on a standard set of benchmark datasets using a single type of feature (quantiles), fixed intervals, and an 'off the shelf' classifier. This distillation of interval-based approaches represents a fast and accurate method for time series classification, achieving state-of-the-art accuracy on the expanded set of 142 datasets in the UCR archive with a total compute time (training and inference) of less than 15 minutes using a single CPU core.
Abstract（参考訳）: ベンチマークデータセットの標準集合上では,単一特徴量(量子),固定間隔,および'オフ・ザ・シェルフ'分類器を用いて,時系列分類のための最も正確な時間間隔法として,平均的に同じ精度を達成可能であることを示す。この間隔ベースのアプローチの蒸留は、時系列分類の高速で正確な方法を示し、単一のcpuコアを使用して15分未満の計算時間(トレーニングと推論)で、udrアーカイブ内の142データセットの拡張セットで最先端の精度を達成する。

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)
TimeSiam: A Pre-Training Framework for Siamese Time-Series Modeling [67.02157180089573]
時系列事前トレーニングは、最近、ラベルのコストを削減し、下流の様々なタスクに利益をもたらす可能性があるとして、広く注目を集めている。本稿では,シームズネットワークに基づく時系列の簡易かつ効果的な自己教師型事前学習フレームワークとしてTimeSiamを提案する。
論文参考訳（メタデータ） (2024-02-04T13:10:51Z)
An Evaluation of Low Overhead Time Series Preprocessing Techniques for Downstream Machine Learning [7.129635795286696]
多チャンネル時系列データの誤調整は、様々な理由で起こりうる。ジョブの起動時間とHPCジョブの実行時間が異なるため、データの不一致が発生します。このミスアライメントにより、計算ワークロードの分類などのタスクに対して、AI/MLアプローチを構築するのが難しくなる。
論文参考訳（メタデータ） (2022-09-12T15:05:57Z)
Temporal Action Localization with Multi-temporal Scales [54.69057924183867]
マルチ時間スケールの特徴空間における行動を予測することを提案する。具体的には、異なるスケールの洗練された特徴ピラミッドを使用して、高レベルのスケールから低レベルのスケールにセマンティクスを渡す。提案手法は, それぞれ12.6%, 17.4%, 2.2%の改善を達成できる。
論文参考訳（メタデータ） (2022-08-16T01:48:23Z)
COSTI: a New Classifier for Sequences of Temporal Intervals [0.0]
時間間隔のシーケンスを直接操作する新しい分類法を開発した。提案手法は高い精度を保ち、変換データの操作に接続する欠点を回避しつつ、より良い性能が得られる。
論文参考訳（メタデータ） (2022-04-28T12:55:06Z)
Cluster-and-Conquer: A Framework For Time-Series Forecasting [94.63501563413725]
本稿では,高次元時系列データを予測するための3段階フレームワークを提案する。当社のフレームワークは非常に汎用的で,各ステップで時系列予測やクラスタリングが利用可能です。単純な線形自己回帰モデルでインスタンス化されると、いくつかのベンチマークデータセットで最先端の結果が得られる。
論文参考訳（メタデータ） (2021-10-26T20:41:19Z)
Uniformity in Heterogeneity:Diving Deep into Count Interval Partition for Crowd Counting [56.44300325295678]
一様誤差分割(UEP)と呼ばれる新しいカウント間隔分割基準を提案する。 MCP基準は、推論中にそのカウント値を表すために、各インターバルのベストカウントプロキシを選択する。統一誤り分割ネットワーク(UEPNet)と呼ばれる単純で効果的なモデルを提案する。
論文参考訳（メタデータ） (2021-07-27T06:24:15Z)
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)
MINIROCKET: A Very Fast (Almost) Deterministic Transform for Time Series Classification [5.519586522442065]
ROCKETは、既存の手法の計算コストのごく一部で最先端の精度を達成する。 ROCKETを新しい方法であるMINIROCKETに改質し、より大きなデータセットで最大75倍高速にします。 UCRアーカイブから最先端の精度まで、すべての109データセットの分類器を10分以内でトレーニングし、テストすることができる。
論文参考訳（メタデータ） (2020-12-16T08:24:09Z)
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)
SummerTime: Variable-length Time SeriesSummarization with Applications to PhysicalActivity Analysis [6.027126804548653]
textitSummerTimeは、グローバルな時系列信号の要約を目指している。可変長時系列の固定長で頑健な要約を提供する。
論文参考訳（メタデータ） (2020-02-20T20:20:06Z)

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。