Fugu-MT 論文翻訳(概要): FRUITS: Feature Extraction Using Iterated Sums for Time Series Classification

論文の概要: FRUITS: Feature Extraction Using Iterated Sums for Time Series Classification

arxiv url: http://arxiv.org/abs/2311.14549v1
Date: Fri, 24 Nov 2023 15:31:26 GMT
ステータス: 処理完了
システム内更新日: 2023-11-27 14:49:39.352360
Title: FRUITS: Feature Extraction Using Iterated Sums for Time Series Classification
Title（参考訳）: FRUITS:時系列分類のための反復要約を用いた特徴抽出
Authors: Joscha Diehl, Richard Krieg
Abstract要約: 時系列分類のためのパイプラインを導入し,イテレーテッドサムシグニチャ(ISS)に基づいて特徴を抽出し,線形分類器を適用する。これらの特徴は本質的に非線形であり、時系列情報をキャプチャし、特定の設定下では、時間ワープに不変である。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: We introduce a pipeline for time series classification that extracts features based on the iterated-sums signature (ISS) and then applies a linear classifier. These features are intrinsically nonlinear, capture chronological information, and, under certain settings, are invariant to time-warping. We are competitive with state-of-the-art methods on the UCR archive, both in terms of accuracy and speed. We make our code available at \url{https://github.com/irkri/fruits}.
Abstract（参考訳）: 時系列分類のためのパイプラインを導入し,イテレーテッドサムシグニチャ(ISS)に基づいて特徴を抽出し,線形分類器を適用する。これらの特徴は本質的に非線形であり、時系列情報をキャプチャし、特定の設定下では、時間ウォーピングに不変である。私たちは、UCRアーカイブの最先端の手法と、精度とスピードの両面で競合しています。コードは \url{https://github.com/irkri/fruits} で利用可能です。

関連論文リスト

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)
Shapelet-based Model-agnostic Counterfactual Local Explanations for Time Series Classification [5.866975269666861]
時系列分類のためのモデルに依存しないインスタンスベースのポストホック説明可能性法を提案する。提案したアルゴリズム、すなわちTime-CFはシェープレットとTimeGANを利用して任意の時系列分類器に反実的な説明を提供する。
論文参考訳（メタデータ） (2024-02-02T11:57:53Z)
A Bag of Receptive Fields for Time Series Extrinsic Predictions [8.172425535905038]
高次元時系列データは、そのダイナミックな性質、様々な長さ、欠落した値の存在のために課題を提起する。本稿では,時系列畳み込みと1D-SAXの概念を取り入れたBag-Of-Receptive-FieldsモデルであるBORFを提案する。 BORF on Time Series Classification and Time Series Extrinsic Regression task using the full UEA and UCR repository。
論文参考訳（メタデータ） (2023-11-29T19:13:10Z)
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)
The FreshPRINCE: A Simple Transformation Based Pipeline Time Series Classifier [0.0]
我々は、最先端と見なされるアルゴリズムの複雑さが本当に必要かどうかを考察する。最初に提案されたアプローチは、要約統計やその他の時系列特徴抽出アプローチの単純なパイプラインである。我々はこれらの手法をUCC時系列データセットアーカイブ上でテストし、TSC文献がこれらの手法の有効性を見落としているかどうかを確認する。
論文参考訳（メタデータ） (2022-01-28T11:23:58Z)
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)
MrSQM: Fast Time Series Classification with Symbolic Representations [11.853438514668207]
MrSQMは複数のシンボル表現と効率的なシーケンスマイニングを使用して重要な時系列特徴を抽出する。本研究は, 完全教師付きから非教師付き, ハイブリッドまで, 記号列の4つの特徴選択手法について検討する。 UEA/UCRベンチマークの112のデータセットに対する実験では、MrSQMがすぐに有用な特徴を抽出できることが示されている。
論文参考訳（メタデータ） (2021-09-02T15:54:46Z)
Learning summary features of time series for likelihood free inference [93.08098361687722]
時系列データから要約機能を自動的に学習するためのデータ駆動型戦略を提案する。以上の結果から,データから要約的特徴を学習することで,手作りの値に基づいてLFI手法よりも優れる可能性が示唆された。
論文参考訳（メタデータ） (2020-12-04T19:21:37Z)
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)
Time Series Data Augmentation for Neural Networks by Time Warping with a Discriminative Teacher [17.20906062729132]
本稿では,ガイド付きワープと呼ばれる新しい時系列データ拡張を提案する。ガイド付きワープは動的時間ワープ(DTW)と形状DTWの要素アライメント特性を利用する。我々は、深部畳み込みニューラルネットワーク(CNN)とリカレントニューラルネットワーク(RNN)を用いて、2015 UCR Time Series Archiveにある85のデータセットすべてに対する手法の評価を行った。
論文参考訳（メタデータ） (2020-04-19T06:33:44Z)
Latent Embedding Feedback and Discriminative Features for Zero-Shot Classification [139.44681304276]
ゼロショット学習は、トレーニング中にデータが利用できない、見えないカテゴリを分類することを目的としている。 Generative Adrial Networksは、クラス固有のセマンティック埋め込みを利用して、目に見えないクラス機能を合成する。我々は,ゼロショット学習のすべての段階において,意味的一貫性を強制することを提案する。
論文参考訳（メタデータ） (2020-03-17T17:34:16Z)

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。