論文の概要: Exploring Hierarchical Classification Performance for Time Series Data: Dissimilarity Measures and Classifier Comparisons

• arxiv url: http://arxiv.org/abs/2402.05275v1
• Date: Wed, 7 Feb 2024 21:46:26 GMT
• ステータス: 処理完了
• システム内更新日: 2024-02-09 17:23:08.768198
• Title: Exploring Hierarchical Classification Performance for Time Series Data: Dissimilarity Measures and Classifier Comparisons
• Title（参考訳）: 時系列データの階層的分類性能の検討:異種性尺度と分類比較
• Authors: Celal Alagoz
• Abstract要約: 本研究では,時系列データ解析における階層分類(HC)とフラット分類(FC)の手法の比較性能について検討した。 Jensen-Shannon Distance (JSD), Task similarity Distance (TSD), Based Distance (CBD)などの異種性対策が活用されている。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: The comparative performance of hierarchical classification (HC) and flat classification (FC) methodologies in the realm of time series data analysis is investigated in this study. Dissimilarity measures, including Jensen-Shannon Distance (JSD), Task Similarity Distance (TSD), and Classifier Based Distance (CBD), are leveraged alongside various classifiers such as MINIROCKET, STSF, and SVM. A subset of datasets from the UCR archive, focusing on multi-class cases comprising more than two classes, is employed for analysis. A significant trend is observed wherein HC demonstrates significant superiority over FC when paired with MINIROCKET utilizing TSD, diverging from conventional understandings. Conversely, FC exhibits consistent dominance across all configurations when employing alternative classifiers such as STSF and SVM. Moreover, TSD is found to consistently outperform both CBD and JSD across nearly all scenarios, except in instances involving the STSF classifier where CBD showcases superior performance. This discrepancy underscores the nuanced nature of dissimilarity measures and emphasizes the importance of their tailored selection based on the dataset and classifier employed. Valuable insights into the dynamic interplay between classification methodologies and dissimilarity measures in the realm of time series data analysis are provided by these findings. By elucidating the performance variations across different configurations, a foundation is laid for refining classification methodologies and dissimilarity measures to optimize performance in diverse analytical scenarios. Furthermore, the need for continued research aimed at elucidating the underlying mechanisms driving classification performance in time series data analysis is underscored, with implications for enhancing predictive modeling and decision-making in various domains.
• Abstract（参考訳）: 本研究では,時系列データ解析分野における階層分類(hc)と平坦分類(fc)方法論の比較性能について検討した。 Jensen-Shannon Distance (JSD), Task similarity Distance (TSD), Classifier Based Distance (CBD) などの異種度対策は, MINIROCKET, STSF, SVM などの様々な分類器とともに活用されている。 UCRアーカイブからのデータセットのサブセットは、2つ以上のクラスからなるマルチクラスケースに焦点を当て、分析に使用される。 TSDを用いたMINIROCKETと組み合わせた場合,HCはFCよりも有意な優位性を示す傾向が観察された。 逆に、FCはSTSFやSVMのような代替の分類器を使用する場合、すべての構成において一貫した優位性を示す。 さらに、CBDが優れた性能を示すSTSF分類器を含む場合を除いて、ほぼ全てのシナリオでCBDとJSDを一貫して上回っていることが判明した。 この相違は、相違度測定のニュアンスな性質を強調し、採用したデータセットと分類器に基づいた調整された選択の重要性を強調している。 時系列データ分析の分野における分類手法と異質性尺度のダイナミックな相互作用に関する貴重な知見が得られた。 異なる構成にまたがる性能変化を解明することにより、様々な分析シナリオのパフォーマンスを最適化するために、分類手法と相同性尺度を精査する基盤が設けられる。 さらに、時系列データ分析における分類性能を駆動するメカニズムの解明を目的とした継続的な研究の必要性が強調され、様々な領域における予測モデリングと意思決定の強化に寄与する。

関連論文リスト

• MetaCoCo: A New Few-Shot Classification Benchmark with Spurious Correlation [46.50551811108464]
  実世界のシナリオから収集したスプリアス相関シフトを用いたベンチマークを提案する。 また,CLIPを事前学習した視覚言語モデルとして用いたメトリクスを提案する。 実験結果から,既存手法の性能はスプリアス相関シフトの有無で著しく低下することがわかった。
  論文  参考訳（メタデータ） (2024-04-30T15:45:30Z)
• Synergistic eigenanalysis of covariance and Hessian matrices for enhanced binary classification [72.77513633290056]
  本稿では, 学習モデルを用いて評価したヘッセン行列をトレーニングセットで評価した共分散行列の固有解析と, 深層学習モデルで評価したヘッセン行列を組み合わせた新しい手法を提案する。 本手法は複雑なパターンと関係を抽出し,分類性能を向上する。
  論文  参考訳（メタデータ） (2024-02-14T16:10:42Z)
• Generating Hierarchical Structures for Improved Time Series Classification Using Stochastic Splitting Functions [0.0]
  本研究では,階層分類(HC)による多クラスデータセットの分類性能を高めるために,分割関数(SSF)を用いた新しい階層分割クラスタリング手法を提案する。 この方法は、明示的な情報を必要とせずに階層を生成するユニークな能力を持ち、階層の事前の知識を欠いたデータセットに適している。
  論文  参考訳（メタデータ） (2023-09-21T10:34:50Z)
• Robust Classification of High-Dimensional Data using Data-Adaptive Energy Distance [0.0]
  高次元低サンプルサイズ(HDLSS)データの分類は、様々な現実の状況において課題となる。 本稿では,HDLSSデータ用に特別に設計された分類器の開発と解析について述べる。 比較的一般的な条件下では、HDLSS系では完全な分類が得られることが示されている。
  論文  参考訳（メタデータ） (2023-06-24T14:39:44Z)
• Characterizing the Optimal 0-1 Loss for Multi-class Classification with a Test-time Attacker [57.49330031751386]
  我々は,任意の離散データセット上の複数クラス分類器に対するテスト時間攻撃の存在下での損失に対する情報理論的下位境界を求める。 本稿では,データと敵対的制約から競合ハイパーグラフを構築する際に発生する最適0-1損失を求めるための一般的なフレームワークを提供する。
  論文  参考訳（メタデータ） (2023-02-21T15:17:13Z)
• 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)
• A Novel Intrinsic Measure of Data Separability [0.0]
  機械学習では、分類器のパフォーマンスはデータセットの分離性と複雑さに依存する。 私たちは、DSI(Distance-based Separability Index)という本質的な尺度を作成します。 DSIは,データセットの分布が任意の次元に対して同一であるか否かを示す。
  論文  参考訳（メタデータ） (2021-09-11T04:20:08Z)
• 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)
• A comprehensive comparative evaluation and analysis of Distributional Semantic Models [61.41800660636555]
  我々は、静的DSMによって生成されたり、BERTによって生成された文脈化されたベクトルを平均化して得られるような、型分布ベクトルの包括的評価を行う。 その結果、予測ベースモデルの優越性は現実よりも明らかであり、ユビキタスではないことが明らかとなった。 我々は認知神経科学からRepresentational similarity Analysis(RSA)の方法論を借りて、分布モデルによって生成された意味空間を検査する。
  論文  参考訳（メタデータ） (2021-05-20T15:18:06Z)
• Binary Classification from Multiple Unlabeled Datasets via Surrogate Set Classification [94.55805516167369]
  我々は m 個の U 集合を $mge2$ で二進分類する新しい手法を提案する。 我々のキーとなる考え方は、サロゲート集合分類(SSC)と呼ばれる補助的分類タスクを考えることである。
  論文  参考訳（メタデータ） (2021-02-01T07:36:38Z)

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。