論文の概要: Early Classification of Time Series: Taxonomy and Benchmark

• arxiv url: http://arxiv.org/abs/2406.18332v1
• Date: Wed, 26 Jun 2024 13:21:00 GMT
• ステータス: 処理完了
• システム内更新日: 2024-06-27 13:29:21.660878
• Title: Early Classification of Time Series: Taxonomy and Benchmark
• Title（参考訳）: 時系列の早期分類:分類学とベンチマーク
• Authors: Aurélien Renault, Alexis Bondu, Antoine Cornuéjols, Vincent Lemaire,
• Abstract要約: この文書は原則に基づく分類から始まり、非常に広範な実験の結果を報告する。 評価を整理するための次元を定義し、非常に広範な実験の結果を報告する。
• 参考スコア（独自算出の注目度）: 0.5399800035598185
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In many situations, the measurements of a studied phenomenon are provided sequentially, and the prediction of its class needs to be made as early as possible so as not to incur too high a time penalty, but not too early and risk paying the cost of misclassification. This problem has been particularly studied in the case of time series, and is known as Early Classification of Time Series (ECTS). Although it has been the subject of a growing body of literature, there is still a lack of a systematic, shared evaluation protocol to compare the relative merits of the various existing methods. This document begins by situating these methods within a principle-based taxonomy. It defines dimensions for organizing their evaluation, and then reports the results of a very extensive set of experiments along these dimensions involving nine state-of-the art ECTS algorithms. In addition, these and other experiments can be carried out using an open-source library in which most of the existing ECTS algorithms have been implemented (see \url{https://github.com/ML-EDM/ml_edm}).
• Abstract（参考訳）: 多くの場合、研究された現象の測定は順次提供され、タイムペナルティを過度に高くしないよう、クラスをできるだけ早く予測する必要があるが、早すぎるのではなく、誤分類のコストを支払うリスクがある。 この問題は特に時系列の場合において研究されており、早期時系列分類(Early Classification of Time Series, ECTS)として知られている。 文学の分野として発展してきたが,既存手法の相対的メリットを比較するための,体系的かつ共有的な評価プロトコルがいまだに存在しない。 この文書は、これらの手法を原則に基づく分類に位置づけることから始まる。 評価を整理するための次元を定義し、その後、9つの最先端ECTSアルゴリズムを含む、これらの次元に沿った非常に広範な実験の結果を報告する。 さらに、これらや他の実験は、既存のECTSアルゴリズムの大部分が実装されているオープンソースライブラリを使って行うことができる(参照: \url{https://github.com/ML-EDM/ml_edm})。

関連論文リスト

• Class-incremental Learning for Time Series: Benchmark and Evaluation [25.613141772513305]
  本稿では,時系列クラスインクリメンタルラーニング(TSCIL)問題の概要を述べる。 標準化された設定に基づいて,新しいアルゴリズムの迅速な開発を支援する統一的な実験フレームワークを開発する。 このフレームワークを用いて、標準およびプライバシに敏感なシナリオにおいて、様々な汎用および時系列固有のCIL手法を包括的に評価する。
  論文  参考訳（メタデータ） (2024-02-19T10:43:13Z)
• Regularization-Based Methods for Ordinal Quantification [49.606912965922504]
  順序の場合、すなわち n>2 クラスの集合上で全順序が定義される場合について研究する。 本稿では,従来のアルゴリズムよりも優れた正規化OQアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-10-13T16:04:06Z)
• Large-scale Pre-trained Models are Surprisingly Strong in Incremental Novel Class Discovery [76.63807209414789]
  我々は,クラスiNCDにおける現状問題に挑戦し,クラス発見を継続的に,真に教師なしで行う学習パラダイムを提案する。 凍結したPTMバックボーンと学習可能な線形分類器から構成される単純なベースラインを提案する。
  論文  参考訳（メタデータ） (2023-03-28T13:47:16Z)
• Parametric Classification for Generalized Category Discovery: A Baseline Study [70.73212959385387]
  Generalized Category Discovery (GCD)は、ラベル付きサンプルから学習した知識を用いて、ラベルなしデータセットで新しいカテゴリを発見することを目的としている。 パラメトリック分類器の故障を調査し,高品質な監視が可能であった場合の過去の設計選択の有効性を検証し,信頼性の低い疑似ラベルを重要課題として同定する。 エントロピー正規化の利点を生かし、複数のGCDベンチマークにおける最先端性能を実現し、未知のクラス数に対して強いロバスト性を示す、単純で効果的なパラメトリック分類法を提案する。
  論文  参考訳（メタデータ） (2022-11-21T18:47:11Z)
• ECOTS: Early Classification in Open Time Series [0.0]
  オープンタイムシリーズの早期分類(ECOTS)にどのような手法を適応させるかを示す。 ECOTSシナリオのための2つの最先端アルゴリズムを変換し、予測保守のための実際のデータセットに関する数値実験を報告する。
  論文  参考訳（メタデータ） (2022-04-01T12:34:26Z)
• 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)
• 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)
• Theoretical Insights Into Multiclass Classification: A High-dimensional Asymptotic View [82.80085730891126]
  線形多クラス分類の最初の現代的精度解析を行う。 分析の結果,分類精度は分布に依存していることがわかった。 得られた洞察は、他の分類アルゴリズムの正確な理解の道を開くかもしれない。
  論文  参考訳（メタデータ） (2020-11-16T05:17:29Z)
• Benchmarking Multivariate Time Series Classification Algorithms [69.12151492736524]
  時系列分類(TSC)は、順序付き、実値付き、属性から離散的なターゲット変数の予測モデルを構築することを含む。 近年,従来の技術よりも大幅に改良された新しいTSCアルゴリズムが開発されている。 本稿では, 深層学習, シェープレット, 単語の袋を用いた MTSC アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-07-26T15:56:40Z)
• Approaches and Applications of Early Classification of Time Series: A Review [18.436864563769237]
  早期分類法の主要な課題は、ある所望の精度でできるだけ早く不完全な時系列を分類することである。 近年、時系列の早期分類のためのいくつかのアプローチが目撃されている。 これらのソリューションは、ヒトの行動認識、遺伝子発現に基づく健康診断、産業モニタリングなど、幅広い応用において合理的な性能を示してきた。
  論文  参考訳（メタデータ） (2020-05-06T05:12:22Z)

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。