論文の概要: Automatic Feature Engineering for Time Series Classification: Evaluation and Discussion

• arxiv url: http://arxiv.org/abs/2308.01071v1
• Date: Wed, 2 Aug 2023 10:46:42 GMT
• ステータス: 処理完了
• システム内更新日: 2023-08-03 13:23:27.742111
• Title: Automatic Feature Engineering for Time Series Classification: Evaluation and Discussion
• Title（参考訳）: 時系列分類のための自動特徴工学:評価と考察
• Authors: Aur\'elien Renault and Alexis Bondu and Vincent Lemaire and Dominique Gay
• Abstract要約: 時系列分類(TSC)は、データサイエンスと知識工学において重要かつ困難な問題である。 近年,時系列から教師なし情報要約統計,いわゆる特徴を抽出するツールがいくつか設計されている。 本稿では,既存の機能工学ツールを用いて得られた機能セットの潜在的な予測性能を評価するための,シンプルなTSCプロセスを提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Time Series Classification (TSC) has received much attention in the past two decades and is still a crucial and challenging problem in data science and knowledge engineering. Indeed, along with the increasing availability of time series data, many TSC algorithms have been suggested by the research community in the literature. Besides state-of-the-art methods based on similarity measures, intervals, shapelets, dictionaries, deep learning methods or hybrid ensemble methods, several tools for extracting unsupervised informative summary statistics, aka features, from time series have been designed in the recent years. Originally designed for descriptive analysis and visualization of time series with informative and interpretable features, very few of these feature engineering tools have been benchmarked for TSC problems and compared with state-of-the-art TSC algorithms in terms of predictive performance. In this article, we aim at filling this gap and propose a simple TSC process to evaluate the potential predictive performance of the feature sets obtained with existing feature engineering tools. Thus, we present an empirical study of 11 feature engineering tools branched with 9 supervised classifiers over 112 time series data sets. The analysis of the results of more than 10000 learning experiments indicate that feature-based methods perform as accurately as current state-of-the-art TSC algorithms, and thus should rightfully be considered further in the TSC literature.
• Abstract（参考訳）: 時系列分類(TSC)は過去20年間に多くの注目を集めており、データサイエンスと知識工学において依然として重要かつ困難な問題である。 実際、時系列データの可用性の高まりとともに、多くのtscアルゴリズムが文献で研究コミュニティから提案されている。 類似度尺度、間隔、シェープレット、辞書、ディープラーニング法、ハイブリッドアンサンブル法に基づく最先端手法の他に、教師なしのインフォメーション要約統計、別名特徴を時系列から抽出するためのいくつかのツールが近年設計されている。 元々は、情報的かつ解釈可能な特徴を持つ時系列の記述分析と可視化のために設計されたが、これらの機能工学ツールのほとんどがtsc問題に対してベンチマークされ、予測性能の観点からは最先端のtscアルゴリズムと比較されている。 本稿では、このギャップを埋め、既存の機能工学ツールで得られた機能セットの潜在的な予測性能を評価するための単純なtscプロセスを提案する。 そこで本研究では,11個の特徴工学ツールに9個の教師付き分類器を112個の時系列データセットに分岐させた実験的な研究を行う。 10000以上の学習実験の結果から,現在最先端のTSCアルゴリズムと同程度の精度で特徴ベースの手法が動作していることが示唆された。

関連論文リスト

• TSI-Bench: Benchmarking Time Series Imputation [52.27004336123575]
  TSI-Benchは、ディープラーニング技術を利用した時系列計算のための総合ベンチマークスイートである。 TSI-Benchパイプラインは、実験的な設定を標準化し、計算アルゴリズムの公平な評価を可能にする。 TSI-Benchは、計算目的のために時系列予測アルゴリズムを調整するための体系的なパラダイムを革新的に提供する。
  論文  参考訳（メタデータ） (2024-06-18T16:07:33Z)
• Supervised Time Series Classification for Anomaly Detection in Subsea Engineering [0.0]
  IntactとBrokenの2つの状態を持つ物理システムに基づくシミュレーションデータに対する教師付き機械学習分類アルゴリズムの使用について検討する。 本稿では,時間データの事前処理について,統計的分散と次元縮小の手法を用いて包括的な議論を行う。 本稿では,さまざまなパフォーマンス指標に基づく各種手法の比較を行い,機械学習を意思決定のツールとして活用することの利点を示す。
  論文  参考訳（メタデータ） (2024-03-12T18:25:10Z)
• Self-Supervised Learning for Time Series Analysis: Taxonomy, Progress, and Prospects [84.6945070729684]
  自己教師付き学習(SSL)は、最近、様々な時系列タスクで印象的なパフォーマンスを達成した。 この記事では、時系列データに対する最先端のSSLメソッドについてレビューする。
  論文  参考訳（メタデータ） (2023-06-16T18:23:10Z)
• Analyzing categorical time series with the R package ctsfeatures [0.0]
  Rパッケージctsfeaturesは、カテゴリの時系列を分析するための便利なツールセットを提供する。 いくつかの関数の出力は、クラスタリング、分類、外れ値検出など、従来の機械学習タスクの実行に使用することができる。
  論文  参考訳（メタデータ） (2023-04-24T16:16:56Z)
• Enhancing Multivariate Time Series Classifiers through Self-Attention and Relative Positioning Infusion [4.18804572788063]
  時系列分類(TSC)は、多くのビジュアルコンピューティングアプリケーションにとって重要かつ困難な課題である。 本稿では,深層学習に基づくTSCアプローチを強化する2つの新しいアテンションブロックを提案する。 提案するアテンションブロックを追加することで,ベースモデルの平均精度が最大3.6%向上することを示す。
  論文  参考訳（メタデータ） (2023-02-13T20:50:34Z)
• Latent Properties of Lifelong Learning Systems [59.50307752165016]
  本稿では,生涯学習アルゴリズムの潜伏特性を推定するために,アルゴリズムに依存しないサロゲート・モデリング手法を提案する。 合成データを用いた実験により,これらの特性を推定するためのアプローチを検証する。
  論文  参考訳（メタデータ） (2022-07-28T20:58:13Z)
• A Review of Open Source Software Tools for Time Series Analysis [0.0]
  本稿では、アーキテクチャを備えた典型的な時系列分析(TSA)フレームワークについて述べ、TSAフレームワークの主な特徴を列挙する。 本稿では,60の時系列解析ツール,32の予測モジュール,21のパッケージの異常検出について検討した。
  論文  参考訳（メタデータ） (2022-03-10T07:12:20Z)
• Early Time-Series Classification Algorithms: An Empirical Comparison [59.82930053437851]
  早期時系列分類(Early Time-Series Classification, ETSC)は、できるだけ少ない測定で時系列のクラスを予測するタスクである。 既存のETSCアルゴリズムを公開データと,新たに導入された2つのデータセットで評価した。
  論文  参考訳（メタデータ） (2022-03-03T10:43:56Z)
• Towards Similarity-Aware Time-Series Classification [51.2400839966489]
  時系列データマイニングの基本課題である時系列分類(TSC)について検討する。 グラフニューラルネットワーク(GNN)を用いて類似情報をモデル化するフレームワークであるSimTSCを提案する。
  論文  参考訳（メタデータ） (2022-01-05T02:14:57Z)
• 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)

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。