論文の概要: Deep Reinforcement Learning based Triggering Function for Early Classifiers of Time Series
- arxiv url: http://arxiv.org/abs/2502.06584v1
- Date: Mon, 10 Feb 2025 15:52:55 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-02-11 14:30:29.671310
- Title: Deep Reinforcement Learning based Triggering Function for Early Classifiers of Time Series
- Title(参考訳): 時系列の早期分類のための深層強化学習に基づくトリガ機能
- Authors: Aurélien Renault, Alexis Bondu, Antoine Cornuéjols, Vincent Lemaire,
- Abstract要約: 時系列の早期分類(ECTS)は、すぐに決定を下さなければならない多くの領域において重要な問題として認識されている。
様々なトリガー関数をベースとした多くの手法が提案されており、それぞれが入ってくる時系列に関連する様々な情報を考慮に入れている。
scAlertと呼ばれるこのシステムは、最先端の競合他社よりもはるかに優れています。
- 参考スコア(独自算出の注目度): 0.5399800035598185
- License:
- Abstract: Early Classification of Time Series (ECTS) has been recognized as an important problem in many areas where decisions have to be taken as soon as possible, before the full data availability, while time pressure increases. Numerous ECTS approaches have been proposed, based on different triggering functions, each taking into account various pieces of information related to the incoming time series and/or the output of a classifier. Although their performances have been empirically compared in the literature, no studies have been carried out on the optimality of these triggering functions that involve ``man-tailored'' decision rules. Based on the same information, could there be better triggering functions? This paper presents one way to investigate this question by showing first how to translate ECTS problems into Reinforcement Learning (RL) ones, where the very same information is used in the state space. A thorough comparison of the performance obtained by ``handmade'' approaches and their ``RL-based'' counterparts has been carried out. A second question investigated in this paper is whether a different combination of information, defining the state space in RL systems, can achieve even better performance. Experiments show that the system we describe, called \textsc{Alert}, significantly outperforms its state-of-the-art competitors on a large number of datasets.
- Abstract(参考訳): 時系列の早期分類(ECTS)は、決定をできるだけ早く行う必要がある多くの領域において重要な問題として認識されている。
異なるトリガー関数に基づいて、入力時系列および/または分類器の出力に関する様々な情報を考慮し、多数のECTSアプローチが提案されている。
彼らの業績は文献で実証的に比較されているが、これらの「人間仕立て」決定規則を含むトリガー関数の最適性についての研究は行われていない。
同じ情報に基づいて、より優れたトリガー機能があるのでしょうか?
本稿では,まずECTS問題をRL(Reinforcement Learning)に翻訳する方法を示す。
ハンドメイド」アプローチと「RLベース」アプローチによるパフォーマンスの徹底的な比較が実施されている。
本稿では,RLシステムにおける状態空間を定義する情報の組み合わせにより,より優れた性能が得られるかどうかを考察する。
実験により、私たちが記述したシステムは、‘textsc{Alert}’と呼ばれ、多くのデータセットにおいて、最先端の競合よりも大幅に優れています。
関連論文リスト
- VSFormer: Value and Shape-Aware Transformer with Prior-Enhanced Self-Attention for Multivariate Time Series Classification [47.92529531621406]
識別パターン(形状)と数値情報(値)の両方を組み込んだVSFormerを提案する。
さらに、教師付き情報から派生したクラス固有の事前情報を抽出し、位置エンコーディングを強化する。
30のUEAアーカイブデータセットに対する大規模な実験は、SOTAモデルと比較して、我々の手法の優れた性能を示す。
論文 参考訳(メタデータ) (2024-12-21T07:31:22Z) - Multi-modal Causal Structure Learning and Root Cause Analysis [67.67578590390907]
根本原因局所化のためのマルチモーダル因果構造学習手法であるMulanを提案する。
ログ選択言語モデルを利用してログ表現学習を行い、ログシーケンスを時系列データに変換する。
また、モダリティの信頼性を評価し、最終因果グラフを共同学習するための新しいキーパフォーマンスインジケータ対応アテンション機構も導入する。
論文 参考訳(メタデータ) (2024-02-04T05:50:38Z) - Sequential Attention Source Identification Based on Feature
Representation [88.05527934953311]
本稿では,テンポラルシーケンスに基づくグラフ注意源同定(TGASI)と呼ばれるシーケンス・ツー・シーケンス・ベースのローカライズ・フレームワークを提案する。
なお、このインダクティブラーニングのアイデアは、TGASIが他の事前の知識を知らずに新しいシナリオのソースを検出できることを保証する。
論文 参考訳(メタデータ) (2023-06-28T03:00:28Z) - Time Series Contrastive Learning with Information-Aware Augmentations [57.45139904366001]
コントラスト学習の鍵となる要素は、いくつかの先行を示唆する適切な拡張を選択して、実現可能な正のサンプルを構築することである。
対照的な学習タスクやデータセットに意味のある時系列データの増大をどうやって見つけるかは、未解決の問題である。
本稿では,時系列表現学習のための最適な拡張を適応的に選択する情報認識拡張を用いた新しいコントラスト学習手法であるInfoTSを提案する。
論文 参考訳(メタデータ) (2023-03-21T15:02:50Z) - Foundational Models for Continual Learning: An Empirical Study of Latent
Replay [17.322679682451597]
本稿では,下流の連続学習シナリオの基礎として,事前学習型視覚モデルの有効性について検討する。
大規模ベンチマークシナリオにおける各種事前学習モデルの有効性を,潜時および生データ空間におけるバニラ再生設定と比較した。
論文 参考訳(メタデータ) (2022-04-30T19:11:37Z) - SAITS: Self-Attention-based Imputation for Time Series [6.321652307514677]
SAITSは時系列における値計算の欠落に対する自己注意機構に基づく新しい手法である。
斜めにマスキングされた2つの自己注意ブロックの重み付けされた組み合わせから、欠落した値を学ぶ。
テストの結果、SAITSは時系列計算タスクにおける最先端の手法を効率よく上回ることが示された。
論文 参考訳(メタデータ) (2022-02-17T08:40:42Z) - Compactness Score: A Fast Filter Method for Unsupervised Feature
Selection [66.84571085643928]
本稿では,CSUFS (Compactness Score) と呼ばれる高速な教師なし特徴選択手法を提案する。
提案アルゴリズムは既存のアルゴリズムよりも正確で効率的である。
論文 参考訳(メタデータ) (2022-01-31T13:01:37Z) - Efficient Online Estimation of Causal Effects by Deciding What to
Observe [26.222870185443913]
確率モデル(例えば因果効果)の任意の機能(例えば、因果効果)を可能な限り効率的に推定し、どのデータソースを問合せするかを各タイミングで決定することを目的としている。
モーメント条件として構造的仮定を符号化するフレームワークであるオンラインモーメント選択(OMS)を提案する。
我々のアルゴリズムは、現在のモーメントの推定値から示唆される最良の行動を選択することで探索のバランスをとる。
論文 参考訳(メタデータ) (2021-08-20T17:00:56Z) - Interpretable Feature Construction for Time Series Extrinsic Regression [0.028675177318965035]
一部のアプリケーション領域では、対象変数が数値であり、その問題は時系列外部回帰(TSER)として知られている。
TSERの文脈における頑健で解釈可能な特徴構築と選択のためのベイズ法の拡張を提案する。
私たちのアプローチは、TSERに取り組むためのリレーショナルな方法を利用します:(i)、リレーショナルデータスキームに格納されている時系列の多様で単純な表現を構築し、(ii)二次テーブルからデータを「フラット化」するために解釈可能な機能を構築するためにプロポジション化技術を適用します。
論文 参考訳(メタデータ) (2021-03-15T08:12:19Z) - Improving Multi-Turn Response Selection Models with Complementary
Last-Utterance Selection by Instance Weighting [84.9716460244444]
我々は、データリソース自体の根底にある相関を利用して、異なる種類の監視信号を導出することを検討する。
2つの公開データセットで広範な実験を行い、両方のデータセットで大幅に改善した。
論文 参考訳(メタデータ) (2020-02-18T06:29:01Z)
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。