論文の概要: Revisit Time Series Classification Benchmark: The Impact of Temporal Information for Classification
- arxiv url: http://arxiv.org/abs/2503.20264v1
- Date: Wed, 26 Mar 2025 06:13:41 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-03-27 13:22:09.589194
- Title: Revisit Time Series Classification Benchmark: The Impact of Temporal Information for Classification
- Title（参考訳）: Revisit Time Series Classification Benchmark: The Impact of Temporal Information for Classification
- Authors: Yunrui Zhang, Gustavo Batista, Salil S. Kanhere,
- Abstract要約: UCR時系列分類アーカイブの時間情報を妨害する置換テストを行う。
時間的情報が分類にほとんど影響しないデータセットのかなりの割合を同定する。
時間情報を抽出・活用する分類器の能力を評価するために,UCR時系列分類アーカイブに基づくベンチマークであるUCR Augmentedを提案する。
- 参考スコア（独自算出の注目度）: 7.331937231993605
- License:
- Abstract: Time series classification is usually regarded as a distinct task from tabular data classification due to the importance of temporal information. However, in this paper, by performing permutation tests that disrupt temporal information on the UCR time series classification archive, the most widely used benchmark for time series classification, we identify a significant proportion of datasets where temporal information has little to no impact on classification. Many of these datasets are tabular in nature or rely mainly on tabular features, leading to potentially biased evaluations of time series classifiers focused on temporal information. To address this, we propose UCR Augmented, a benchmark based on the UCR time series classification archive designed to evaluate classifiers' ability to extract and utilize temporal information. Testing classifiers from seven categories on this benchmark revealed notable shifts in performance rankings. Some previously overlooked approaches perform well, while others see their performance decline significantly when temporal information is crucial. UCR Augmented provides a more robust framework for assessing time series classifiers, ensuring fairer evaluations. Our code is available at https://github.com/YunruiZhang/Revisit-Time-Series-Classification-Benchmark.
- Abstract（参考訳）: 時系列分類は通常、時間情報の重要性から表データ分類とは別のタスクとみなされる。
しかし, 時系列分類において最も広く使用されているベンチマークである, UCR時系列分類アーカイブの時間情報を妨害する置換テストを行うことにより, 時間情報が分類にほとんど影響しないデータセットのかなりの割合を同定する。
これらのデータセットの多くは表形式のものであるか、主に表形式の特徴に依存しているため、時間情報に焦点を当てた時系列分類器の評価にバイアスがかかる可能性がある。
そこで本研究では,UCR時系列分類アーカイブをベースとした時間情報抽出・活用能力の評価のためのベンチマークであるUCR Augmentedを提案する。
このベンチマークで7つのカテゴリの分類器をテストすると、パフォーマンスランキングの顕著な変化が明らかになった。
以前見過ごされたアプローチのいくつかはうまく機能するが、時間的情報が不可欠である場合、パフォーマンスが大幅に低下すると考えるものもいる。
UCR Augmentedは、時系列分類器を評価するためのより堅牢なフレームワークを提供し、より公平な評価を保証する。
私たちのコードはhttps://github.com/YunruiZhang/Revisit-Time-Series-Classification-Benchmarkで公開されています。
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) - Capturing Temporal Components for Time Series Classification [5.70772577110828]
本研究では,逐次データから抽出した統計的コヒーレントな成分に基づいて学習したテキスト合成表現学習手法を提案する。
マルチスケールな変更空間に基づいて、シーケンシャルデータを類似の統計特性を持つチャンクに分割する教師なしの手法を提案する。
シーケンスベースのエンコーダモデルをマルチタスク設定でトレーニングし、時系列分類のための時間成分から合成表現を学習する。
論文 参考訳（メタデータ） (2024-06-20T16:15:21Z) - 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) - Improving performance of heart rate time series classification by
grouping subjects [0.0]
精度はウィンドウ/ストライドサイズの選択に敏感である。
被験者の変動を最小限にするために様々な技術が用いられた。
心拍数時系列は、アクティビティの予測のような分類タスクに利用することができる。
論文 参考訳（メタデータ） (2023-11-22T10:08:33Z) - 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) - Convolutional and Deep Learning based techniques for Time Series Ordinal Classification [7.047582157120573]
時系列規則分類(TSOC)は、このギャップをカバーする分野であるが、文献では未解明である。
本稿では,TSOC手法の最初のベンチマークを行い,対象ラベルの順序付けを利用して,現在のTSCの現状を向上する。
論文 参考訳（メタデータ） (2023-06-16T11:57:11Z) - Robust Explainer Recommendation for Time Series Classification [4.817429789586127]
時系列分類は、人間の活動認識、スポーツ分析、一般的な感覚といった分野に共通する課題である。
近年,サリエンシマップの形での説明を提供するため,時系列に多種多様な手法が提案され,適用されている。
本稿では,時系列分類のための説明手法を定量的に評価し,ランク付けするための新しい枠組みを提案する。
論文 参考訳（メタデータ） (2023-06-08T18:49:23Z) - 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) - 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) - Fine-Grain Few-Shot Vision via Domain Knowledge as Hyperspherical Priors [79.22051549519989]
プロトタイプネットワークは、コンピュータビジョンにおいて、数ショットの学習タスクでうまく機能することが示されている。
ドメイン知識を情報的先行要素として取り入れつつ,クラスを最大限に分離することで,数発の微粒化を実現する方法を示す。
論文 参考訳（メタデータ） (2020-05-23T02:10:57Z) - Complexity Measures and Features for Times Series classification [0.0]
本稿では,時系列分類問題に対する時系列構造に関する情報を抽出できる特徴セットを提案する。
提案手法の実験結果から, 最先端モデルの2次モデルと3次モデルとに統計的に有意な差は認められなかった。
論文 参考訳（メタデータ） (2020-02-27T11:08:08Z)
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。