論文の概要: Evaluation of Stress Detection as Time Series Events -- A Novel Window-Based F1-Metric

• arxiv url: http://arxiv.org/abs/2509.03240v1
• Date: Wed, 03 Sep 2025 11:55:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-04 21:40:46.503669
• Title: Evaluation of Stress Detection as Time Series Events -- A Novel Window-Based F1-Metric
• Title（参考訳）: 時系列イベントとしてのストレス検出の評価 -新しいウィンドウベースF1メトリクス-
• Authors: Harald Vilhelm Skat-Rørdam, Sneha Das, Kathrine Sofie Rasmussen, Nicole Nadine Lønfeldt, Line Clemmensen,
• Abstract要約: ウェアラブルデバイスによるストレスモニタリングなどのアプリケーションには,時系列評価が不可欠である。 F1のような標準メトリクスは、実世界の不均衡なデータセットでモデルパフォーマンスを誤って表現することが多い。 時間耐性を組み込んだウィンドウベースのF1メトリック(F1$_w$)を導入する。
• 参考スコア（独自算出の注目度）: 3.0936815707071403
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Accurate evaluation of event detection in time series is essential for applications such as stress monitoring with wearable devices, where ground truth is typically annotated as single-point events, even though the underlying phenomena are gradual and temporally diffused. Standard metrics like F1 and point-adjusted F1 (F1$_{pa}$) often misrepresent model performance in such real-world, imbalanced datasets. We introduce a window-based F1 metric (F1$_w$) that incorporates temporal tolerance, enabling a more robust assessment of event detection when exact alignment is unrealistic. Empirical analysis in three physiological datasets, two in-the-wild (ADARP, Wrist Angel) and one experimental (ROAD), indicates that F1$_w$ reveals meaningful model performance patterns invisible to conventional metrics, while its window size can be adapted to domain knowledge to avoid overestimation. We show that the choice of evaluation metric strongly influences the interpretation of model performance: using predictions from TimesFM, only our temporally tolerant metrics reveal statistically significant improvements over random and null baselines in the two in-the-wild use cases. This work addresses key gaps in time series evaluation and provides practical guidance for healthcare applications where requirements for temporal precision vary by context.
• Abstract（参考訳）: 時系列における事象検出の正確な評価は、デバイスによるストレスモニタリングのような応用において必要不可欠であり、基礎となる現象が段階的かつ時間的に拡散したとしても、地上の真実は単一ポイントイベントとして注釈付けされるのが一般的である。 F1 やポイント調整 F1 (F1$_{pa}$) のような標準的なメトリクスは、実際の不均衡なデータセットでモデルのパフォーマンスを誤って表現することが多い。 時間的トレランスを取り入れたウィンドウベースのF1メトリック(F1$_w$)を導入し、正確なアライメントが非現実的な場合にイベント検出をより堅牢に評価できるようにする。 3つの生理学的データセット(ADARP, Wrist Angel)と1つの実験(ROAD)の実証分析により、F1$_w$は従来の指標から見えない有意義なモデルパフォーマンスパターンを明らかにし、ウィンドウサイズは過大評価を避けるためにドメイン知識に適応できることを示した。 評価指標の選択がモデル性能の解釈に強く影響を及ぼすことを示す。TimesFMの予測を用いて、我々の時間的寛容な指標のみを用いて、この2つのユースケースにおけるランダムおよびヌルベースラインに対する統計的に有意な改善が示される。 本研究は時系列評価における重要なギャップに対処し,時間的精度の要件が文脈によって異なる医療応用のための実践的ガイダンスを提供する。

関連論文リスト

• Powerformer: A Transformer with Weighted Causal Attention for Time-series Forecasting [50.298817606660826]
  我々は,非因果重みをスムーズな重み付き崩壊に応じて再加重する因果重みに置き換える新しいトランスフォーマーであるPowerformerを紹介する。 我々の実証実験の結果,Powerformer は公開時系列ベンチマークで最先端の精度を達成できた。 分析の結果、トレーニング中にモデルの局所性バイアスが増幅され、時系列データとパワールールに基づく注意の相互作用が示されることがわかった。
  論文  参考訳（メタデータ） (2025-02-10T04:42:11Z)
• FlexTSF: A Flexible Forecasting Model for Time Series with Variable Regularities [15.799253535795065]
  変動時間正規度を持つ時系列データに特化して設計されたフレキシブルな予測モデルであるFlexTSFを紹介する。 その基盤にはIVP(Initial Value Problems)を活用した継続的パッチモジュールであるIPP Patcherがある。 16のデータセットの実験では、FlexTSFの有効性が示され、古典的な予測シナリオにおいて既存のモデルよりも大幅に優れています。
  論文  参考訳（メタデータ） (2024-10-30T16:14:09Z)
• Abnormality Forecasting: Time Series Anomaly Prediction via Future Context Modeling [30.87477150049186]
  時系列データから異常を識別することは、インフラのセキュリティ、インテリジェントな運用とメンテナンス、宇宙探査など、様々な分野で重要な役割を果たしている。 現在の研究では、異常発生後の異常の検出に焦点が当てられている。 本研究では,より実用的で非常に困難な問題である時系列異常予測について検討し,発生前の異常事象を早期に警告することを目的とした。
  論文  参考訳（メタデータ） (2024-10-16T04:00:00Z)
• Towards Unbiased Evaluation of Time-series Anomaly Detector [6.521243384420707]
  時系列異常検出(TSAD)は、その重要な応用に動機付けられた研究の進化する領域である。 本研究では,平衡点調整(BA)と呼ばれる代替調整プロトコルを提案する。
  論文  参考訳（メタデータ） (2024-09-19T19:02:45Z)
• PATE: Proximity-Aware Time series anomaly Evaluation [3.0377067713090633]
  従来のパフォーマンスメトリクスは、IDデータを仮定し、複雑な時間的ダイナミクスと時系列異常の特定の特性をキャプチャできない。 本稿では、予測と異常区間の時間的関係を組み込んだ新しい評価指標であるPATE(Proximity-Aware Time series anomaly Evaluation)を紹介する。 合成および実世界のデータセットを用いた実験は、より合理的で正確な評価を提供する上で、PATEの優位性を示している。
  論文  参考訳（メタデータ） (2024-05-20T15:06:36Z)
• Graph Spatiotemporal Process for Multivariate Time Series Anomaly Detection with Missing Values [67.76168547245237]
  本稿では,グラフ時間過程と異常スコアラを用いて異常を検出するGST-Proという新しいフレームワークを提案する。 実験結果から,GST-Pro法は時系列データ中の異常を効果的に検出し,最先端の手法より優れていることがわかった。
  論文  参考訳（メタデータ） (2024-01-11T10:10:16Z)
• MAD-MulW: A Multi-Window Anomaly Detection Framework for BGP Security Events [5.46189969246928]
  BGPベースのイベント監視は、国際イベントの差分解析を可能にする。 マルチウィンドウ・シリアル・フレームワークを組み込んだ教師なし異常検出モデルMAD-MulWを提案する。 本モデルは, 平均F1スコアが90%を超える複数のBGP異常事象に対して実験的に検証されている。
  論文  参考訳（メタデータ） (2023-12-18T14:19:40Z)
• CARLA: Self-supervised Contrastive Representation Learning for Time Series Anomaly Detection [53.83593870825628]
  時系列異常検出(TSAD)の主な課題は、多くの実生活シナリオにおいてラベル付きデータの欠如である。 既存の異常検出手法の多くは、教師なしの方法で非ラベル時系列の正常な振る舞いを学習することに焦点を当てている。 本稿では,時系列異常検出のためのエンドツーエンドの自己教師型コントラアスティブ表現学習手法を提案する。
  論文  参考訳（メタデータ） (2023-08-18T04:45:56Z)
• Learning summary features of time series for likelihood free inference [93.08098361687722]
  時系列データから要約機能を自動的に学習するためのデータ駆動型戦略を提案する。 以上の結果から,データから要約的特徴を学習することで,手作りの値に基づいてLFI手法よりも優れる可能性が示唆された。
  論文  参考訳（メタデータ） (2020-12-04T19:21:37Z)
• A Background-Agnostic Framework with Adversarial Training for Abnormal Event Detection in Video [120.18562044084678]
  近年,ビデオにおける異常事象検出は複雑なコンピュータビジョンの問題として注目されている。 通常のイベントのみを含むトレーニングビデオから学習するバックグラウンドに依存しないフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-08-27T18:39:24Z)

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。