論文の概要: FIC-TSC: Learning Time Series Classification with Fisher Information Constraint

• arxiv url: http://arxiv.org/abs/2505.06114v1
• Date: Fri, 09 May 2025 15:13:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-12 20:40:10.309626
• Title: FIC-TSC: Learning Time Series Classification with Fisher Information Constraint
• Title（参考訳）: FIC-TSC:漁業情報制約を考慮した時系列分類学習
• Authors: Xiwen Chen, Wenhui Zhu, Peijie Qiu, Hao Wang, Huayu Li, Zihan Li, Yalin Wang, Aristeidis Sotiras, Abolfazl Razi,
• Abstract要約: 時系列データを分析することは、経済学、オンラインマーケットプレース、人間の医療など、幅広い分野のアプリケーションに不可欠である。 時系列データは、しばしばトレーニングとテストセットの間のドメインシフトに悩まされ、分類性能が劇的に低下する。 我々は、フィッシャー情報を制約として利用する時系列分類のためのトレーニングフレームワーク、textitFIC-TSCを提案する。
• 参考スコア（独自算出の注目度）: 8.414596562236326
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Analyzing time series data is crucial to a wide spectrum of applications, including economics, online marketplaces, and human healthcare. In particular, time series classification plays an indispensable role in segmenting different phases in stock markets, predicting customer behavior, and classifying worker actions and engagement levels. These aspects contribute significantly to the advancement of automated decision-making and system optimization in real-world applications. However, there is a large consensus that time series data often suffers from domain shifts between training and test sets, which dramatically degrades the classification performance. Despite the success of (reversible) instance normalization in handling the domain shifts for time series regression tasks, its performance in classification is unsatisfactory. In this paper, we propose \textit{FIC-TSC}, a training framework for time series classification that leverages Fisher information as the constraint. We theoretically and empirically show this is an efficient and effective solution to guide the model converge toward flatter minima, which enhances its generalizability to distribution shifts. We rigorously evaluate our method on 30 UEA multivariate and 85 UCR univariate datasets. Our empirical results demonstrate the superiority of the proposed method over 14 recent state-of-the-art methods.
• Abstract（参考訳）: 時系列データを分析することは、経済学、オンラインマーケットプレース、人間の医療など、幅広い分野のアプリケーションに不可欠である。 特に、時系列分類は、市場における異なるフェーズを区分し、顧客の振る舞いを予測し、労働者の行動とエンゲージメントのレベルを分類するのに不可欠である。 これらの側面は、現実世界のアプリケーションにおける自動意思決定とシステム最適化の進歩に大きく貢献する。 しかし、時系列データはトレーニングとテストセットのドメインシフトに悩まされることが多く、分類性能が劇的に低下する、という大きなコンセンサスがある。 時系列回帰タスクのドメインシフト処理における(可逆的な)インスタンス正規化の成功にもかかわらず、その分類のパフォーマンスは不十分である。 本稿では,フィッシャー情報を制約として利用する時系列分類のトレーニングフレームワークであるtextit{FIC-TSC}を提案する。 理論的および実験的に、これはモデル収束を平らなミニマへ導くための効率的かつ効果的な解であり、分布シフトへの一般化性を高めることが示される。 30UEA多変量および85UCR単変量データセットを用いて,本手法の厳密な評価を行った。 実験により,提案手法が14種類の最先端手法よりも優れていることを示す。

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)
• Improving the Evaluation and Actionability of Explanation Methods for Multivariate Time Series Classification [4.588028371034407]
  MTSCに適用された属性手法の評価手法であるInterpretTimeの分析に焦点をあてる。 提案手法のいくつかの重大な弱点を示し,その精度と効率を改善するためのアイデアを提案する。 SHAPやFeature Ablationのような摂動に基づく手法は、データセットの集合でうまく機能する。
  論文  参考訳（メタデータ） (2024-06-18T11:18:46Z)
• MISS: Multiclass Interpretable Scoring Systems [13.902264070785986]
  MISS(Multiclass Interpretable Scoring Systems)構築のための機械学習手法を提案する。 MISSは、シングルクラス、スパース、ユーザフレンドリーなスコアリングシステムのための、完全なデータ駆動の方法論である。 結果から,本手法は他の機械学習モデルと性能指標の分類において競合し,高い校正率のクラス確率が得られたことが示唆された。
  論文  参考訳（メタデータ） (2024-01-10T10:57:12Z)
• Multivariate Time Series Early Classification Across Channel and Time Dimensions [3.5786621294068373]
  より柔軟な早期分類パイプラインを提案し、入力チャネルをより細かく検討する。 提案手法は,等価な入力利用のための精度の向上を図り,早期分類のパラダイムを向上することができる。
  論文  参考訳（メタデータ） (2023-06-26T11:30:33Z)
• On the Trade-off of Intra-/Inter-class Diversity for Supervised Pre-training [72.8087629914444]
  教師付き事前学習データセットのクラス内多様性(クラス毎のサンプル数)とクラス間多様性(クラス数)とのトレードオフの影響について検討した。 トレーニング前のデータセットのサイズが固定された場合、最高のダウンストリームのパフォーマンスは、クラス内/クラス間の多様性のバランスがとれる。
  論文  参考訳（メタデータ） (2023-05-20T16:23:50Z)
• Real-Time Evaluation in Online Continual Learning: A New Hope [104.53052316526546]
  計算コストに関して,現在の継続学習(CL)手法を評価した。 簡単なベースラインは、この評価の下で最先端のCL法より優れている。 これは、既存のCL文献の大部分は、実用的でない特定の種類のストリームに適合していることを驚くほど示唆している。
  論文  参考訳（メタデータ） (2023-02-02T12:21:10Z)
• Systematic Evaluation of Predictive Fairness [60.0947291284978]
  バイアス付きデータセットのトレーニングにおけるバイアスの緩和は、重要なオープンな問題である。 複数のタスクにまたがる様々なデバイアス化手法の性能について検討する。 データ条件が相対モデルの性能に強い影響を与えることがわかった。
  論文  参考訳（メタデータ） (2022-10-17T05:40:13Z)
• No Fear of Heterogeneity: Classifier Calibration for Federated Learning with Non-IID Data [78.69828864672978]
  実世界のフェデレーションシステムにおける分類モデルのトレーニングにおける中心的な課題は、非IIDデータによる学習である。 このアルゴリズムは, 近似されたssian混合モデルからサンプリングした仮想表現を用いて分類器を調整する。 実験の結果,CIFAR-10,CIFAR-100,CINIC-10など,一般的なフェデレーション学習ベンチマークにおけるCCVRの現状が示された。
  論文  参考訳（メタデータ） (2021-06-09T12:02:29Z)

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。