論文の概要: SPROCKET: Extending ROCKET to Distance-Based Time-Series Transformations With Prototypes

• arxiv url: http://arxiv.org/abs/2512.08246v1
• Date: Tue, 09 Dec 2025 05:00:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-10 22:28:07.815294
• Title: SPROCKET: Extending ROCKET to Distance-Based Time-Series Transformations With Prototypes
• Title（参考訳）: SPROCKET: プロトタイプによる距離ベースの時系列変換へのROCKETの拡張
• Authors: Nicholas Harner,
• Abstract要約: SPROCKETはプロトタイプに基づいた新機能エンジニアリング戦略を実装している。 UCRとUEAの時系列分類アーカイブの大多数では、SPROCKETは既存の畳み込みアルゴリズムに匹敵するパフォーマンスを実現している。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Classical Time Series Classification algorithms are dominated by feature engineering strategies. One of the most prominent of these transforms is ROCKET, which achieves strong performance through random kernel features. We introduce SPROCKET (Selected Prototype Random Convolutional Kernel Transform), which implements a new feature engineering strategy based on prototypes. On a majority of the UCR and UEA Time Series Classification archives, SPROCKET achieves performance comparable to existing convolutional algorithms and the new MR-HY-SP ( MultiROCKET-HYDRA-SPROCKET) ensemble's average accuracy ranking exceeds HYDRA-MR, the previous best convolutional ensemble's performance. These experimental results demonstrate that prototype-based feature transformation can enhance both accuracy and robustness in time series classification.
• Abstract（参考訳）: 古典的時系列分類アルゴリズムは機能工学の戦略に支配されている。 これらの変換の最も顕著な1つはROCKETであり、ランダムなカーネル機能によって高い性能を達成する。 本稿では,SPROCKET(Selected Prototype Random Convolutional Kernel Transform)を紹介する。 既存の畳み込みアルゴリズムに匹敵する性能を達成し、新しいMR-HY-SP(MultiROCKET-HYDRA-SPROCKET)アンサンブルの平均精度は以前の最も優れた畳み込みアンサンブルであるHYDRA-MRを上回った。 これらの実験結果から,プロトタイプに基づく特徴変換は時系列分類における精度とロバスト性を両立させることができることが示された。

関連論文リスト

• HIT-ROCKET: Hadamard-vector Inner-product Transformer for ROCKET [0.039089069256361735]
  時系列分類は、コミュニケーション、情報対策、金融、医療における幅広い応用価値を持っている。 最先端のSOTA(State-of-the-art)手法は、長いパラメータチューニングとトレーニングサイクルを組み合わせた高い計算複雑性を示す。 本研究では,アダマール行列の列ベクトルあるいは行ベクトルを,様々な大きさの長大な畳み込みカーネルとして利用した,アダマール畳み込み変換に基づく特徴抽出手法を提案する。
  論文  参考訳（メタデータ） (2025-11-03T13:39:40Z)
• Time series classification with random convolution kernels: pooling operators and input representations matter [0.0]
  本稿では,SelF-Rocketと呼ばれるMiniRocketに基づく,高速時系列分類(TSC)のための新しいアプローチを提案する。 トレーニングプロセス中に最適な入力表現とプーリング演算子を動的に選択する。 カリフォルニア大学リバーサイド校(UCR)のベンチマークデータセットで最先端の精度を実現している。
  論文  参考訳（メタデータ） (2024-09-02T09:42:17Z)
• PRformer: Pyramidal Recurrent Transformer for Multivariate Time Series Forecasting [82.03373838627606]
  Transformerアーキテクチャにおける自己保持機構は、時系列予測において時間順序を符号化するために位置埋め込みを必要とする。 この位置埋め込みへの依存は、トランスフォーマーの時間的シーケンスを効果的に表現する能力を制限している、と我々は主張する。 本稿では,Prepreを標準的なTransformerエンコーダと統合し,様々な実世界のデータセット上での最先端性能を示す。
  論文  参考訳（メタデータ） (2024-08-20T01:56:07Z)
• A Refreshed Similarity-based Upsampler for Direct High-Ratio Feature Upsampling [54.05517338122698]
  一般的な類似性に基づく機能アップサンプリングパイプラインが提案されている。 本稿では,セマンティック・アウェアとディテール・アウェアの両方の観点から,明示的に制御可能なクエリキー機能アライメントを提案する。 我々は,モーザイクアーティファクトを緩和する上ではシンプルだが有効であるHR特徴に対して,きめ細かな近傍選択戦略を開発する。
  論文  参考訳（メタデータ） (2024-07-02T14:12:21Z)
• POCKET: Pruning Random Convolution Kernels for Time Series Classification from a Feature Selection Perspective [8.359327841946852]
  時系列分類モデルであるPOCKETは、冗長カーネルを効率的にプルークするように設計されている。 POCKETは、精度を大幅に低下させることなく最大60%のカーネルを出力し、そのカーネルよりも11$times$高速に動作させる。 多様な時系列データセットによる実験結果から、POCKETは精度を著しく低下させることなく最大60%のカーネルを産み出し、それよりも11$times$高速に動作していることがわかった。
  論文  参考訳（メタデータ） (2023-09-15T16:03:23Z)
• Sorted Convolutional Network for Achieving Continuous Rotational Invariance [56.42518353373004]
  テクスチャ画像のハンドメイドな特徴に着想を得たSorting Convolution (SC)を提案する。 SCは、追加の学習可能なパラメータやデータ拡張を必要とせずに連続的な回転不変性を達成する。 以上の結果から, SCは, 上記の課題において, 最高の性能を達成できることが示唆された。
  論文  参考訳（メタデータ） (2023-05-23T18:37:07Z)
• Deciphering RNA Secondary Structure Prediction: A Probabilistic K-Rook Matching Perspective [63.3632827588974]
  RFoldは、与えられたシーケンスから最もよく一致するK-Rook解を予測する方法である。 RFoldは、最先端のアプローチよりも競争性能とおよそ8倍の推論効率を達成する。
  論文  参考訳（メタデータ） (2022-12-02T16:34:56Z)
• Joint Spatial-Temporal and Appearance Modeling with Transformer for Multiple Object Tracking [59.79252390626194]
  本稿ではTransSTAMという新しい手法を提案する。Transformerを利用して各オブジェクトの外観特徴とオブジェクト間の空間的時間的関係の両方をモデル化する。 提案手法はMOT16, MOT17, MOT20を含む複数の公開ベンチマークで評価され, IDF1とHOTAの両方で明確な性能向上を実現している。
  論文  参考訳（メタデータ） (2022-05-31T01:19:18Z)
• MINIROCKET: A Very Fast (Almost) Deterministic Transform for Time Series Classification [5.519586522442065]
  ROCKETは、既存の手法の計算コストのごく一部で最先端の精度を達成する。 ROCKETを新しい方法であるMINIROCKETに改質し、より大きなデータセットで最大75倍高速にします。 UCRアーカイブから最先端の精度まで、すべての109データセットの分類器を10分以内でトレーニングし、テストすることができる。
  論文  参考訳（メタデータ） (2020-12-16T08:24:09Z)

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。