論文の概要: MIHT: A Hoeffding Tree for Time Series Classification using Multiple Instance Learning

• arxiv url: http://arxiv.org/abs/2603.22074v1
• Date: Mon, 23 Mar 2026 15:06:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-24 19:11:39.743638
• Title: MIHT: A Hoeffding Tree for Time Series Classification using Multiple Instance Learning
• Title（参考訳）: MIHT: 複数インスタンス学習を用いた時系列分類のためのHoeffding Tree
• Authors: Aurora Esteban, Amelia Zafra, Sebastián Ventura,
• Abstract要約: 本稿では,時系列を分類するMIHTアルゴリズムを提案する。 このアルゴリズムは、時系列を「サブシリーズのバグ」として表現する。 28の公開データセットで11の最先端時系列分類モデルを上回っている。
• 参考スコア（独自算出の注目度）: 2.4469484645516837
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Due to the prevalence of temporal data and its inherent dependencies in many real-world problems, time series classification is of paramount importance in various domains. However, existing models often struggle with series of variable length or high dimensionality. This paper introduces the MIHT (Multi-instance Hoeffding Tree) algorithm, an efficient model that uses multi-instance learning to classify multivariate and variable-length time series while providing interpretable results. The algorithm uses a novel representation of time series as "bags of subseries," together with an optimization process based on incremental decision trees that distinguish relevant parts of the series from noise. This methodology extracts the underlying concept of series with multiple variables and variable lengths. The generated decision tree is a compact, white-box representation of the series' concept, providing interpretability insights into the most relevant variables and segments of the series. Experimental results demonstrate MIHT's superiority, as it outperforms 11 state-of-the-art time series classification models on 28 public datasets, including high-dimensional ones. MIHT offers enhanced accuracy and interpretability, making it a promising solution for handling complex, dynamic time series data.
• Abstract（参考訳）: 多くの実世界の問題において、時間データとその固有の依存関係の出現により、時系列分類は様々な領域において最重要となる。 しかし、既存のモデルは、しばしば一連の可変長や高次元性に苦しむ。 本稿では,多変量および可変長時系列を分類し,解釈可能な結果を提供しながら,多変量学習を用いた効率的なMIHTアルゴリズムを提案する。 このアルゴリズムは、時系列を「サブシリーズのバグ」として表現し、系列の関連部分をノイズと区別するインクリメンタルな決定木に基づく最適化プロセスを使用する。 この方法論は、複数の変数と変数長を持つ級数の概念を抽出する。 生成された決定木は、シリーズの概念のコンパクトで白いボックス表現であり、シリーズの最も関連する変数やセグメントに関する解釈可能性の洞察を提供する。 実験の結果、MIHTは高次元のデータセットを含む28の公開データセットにおいて11の最先端の時系列分類モデルより優れており、MIHTの優位性を示している。 MIHTは精度と解釈性を向上し、複雑な動的時系列データを扱うための有望なソリューションである。

関連論文リスト

• An Empirical Evaluation of Factors Affecting SHAP Explanation of Time Series Classification [1.5224436211478214]
  セグメント構成が説明品質にどのように影響するかを理解するために,8種類の時系列アルゴリズムについて検討する。 その結果,セグメントの数は,特定のセグメント化法よりも説明品質に大きく影響していることがわかった。 そこで本研究では,セグメントの長さによって重み付けを行う新しい属性正規化手法を提案する。
  論文  参考訳（メタデータ） (2025-09-03T18:55:23Z)
• MFRS: A Multi-Frequency Reference Series Approach to Scalable and Accurate Time-Series Forecasting [51.94256702463408]
  時系列予測は、周波数の異なる周期特性から導かれる。 マルチ周波数参照系列相関解析に基づく新しい時系列予測手法を提案する。 主要なオープンデータセットと合成データセットの実験は、最先端のパフォーマンスを示している。
  論文  参考訳（メタデータ） (2025-03-11T11:40:14Z)
• ST-Tree with Interpretability for Multivariate Time Series Classification [1.298914566427719]
  Swin Transformer (ST) は、自己認識機構を利用して、きめ細かい局所パターンとグローバルパターンの両方をキャプチャすることで、これらの問題に対処する。 ST-Treeモデルは、STをバックボーンネットワークとして追加のニューラルツリーモデルと組み合わせる。 これにより、研究者はモデルの意思決定プロセスを明確に把握し、意味のある解釈を抽出できる。
  論文  参考訳（メタデータ） (2024-11-18T14:49:12Z)
• Deep Time Series Models: A Comprehensive Survey and Benchmark [60.742416934632416]
  時系列は、その複雑でダイナミックな性質のために固有の課題を提示する。 近年、時系列コミュニティで顕著なブレークスルーが見られた。 多様な分析タスクのためのディープ時系列モデルの公正なベンチマークとして、時系列ライブラリ(TSLib)をリリースします。
  論文  参考訳（メタデータ） (2024-07-18T08:31:55Z)
• Multi-scale Attention Flow for Probabilistic Time Series Forecasting [68.20798558048678]
  マルチスケールアテンション正規化フロー(MANF)と呼ばれる非自己回帰型ディープラーニングモデルを提案する。 我々のモデルは累積誤差の影響を回避し、時間の複雑さを増大させない。 本モデルは,多くの多変量データセット上での最先端性能を実現する。
  論文  参考訳（メタデータ） (2022-05-16T07:53:42Z)
• Triformer: Triangular, Variable-Specific Attentions for Long Sequence Multivariate Time Series Forecasting--Full Version [50.43914511877446]
  本稿では,高い効率と精度を確保するために,三角形,可変特性に着目した注意点を提案する。 我々はTriformerが精度と効率の両方で最先端の手法より優れていることを示す。
  論文  参考訳（メタデータ） (2022-04-28T20:41:49Z)
• Novel Features for Time Series Analysis: A Complex Networks Approach [62.997667081978825]
  時系列データは、気候、経済、医療などいくつかの領域で広く使われている。 最近の概念的アプローチは、複雑なネットワークへの時系列マッピングに依存している。 ネットワーク分析は、異なるタイプの時系列を特徴付けるのに使うことができる。
  論文  参考訳（メタデータ） (2021-10-11T13:46:28Z)
• Instance-wise Graph-based Framework for Multivariate Time Series Forecasting [69.38716332931986]
  我々は,異なる時刻スタンプにおける変数の相互依存性を利用するための,シンプルで効率的なインスタンス単位のグラフベースのフレームワークを提案する。 私たちのフレームワークのキーとなる考え方は、異なる変数の履歴時系列から予測すべき現在の時系列に情報を集約することです。
  論文  参考訳（メタデータ） (2021-09-14T07:38:35Z)
• Explainable Multivariate Time Series Classification: A Deep Neural Network Which Learns To Attend To Important Variables As Well As Informative Time Intervals [32.30627405832656]
  時系列データは、様々な現実世界のアプリケーションで広く使われている。 このような予測モデルを理解するための重要な基準は、分類に対する時間変化の入力変数の寄与を解明し定量化することである。 本稿では,変数と時間間隔を同時に識別し,分類出力を決定する新しい,モジュール型・畳み込み型特徴抽出・注目機構を提案する。
  論文  参考訳（メタデータ） (2020-11-23T19:16:46Z)
• Multivariable times series classification through an interpretable representation [0.0]
  本稿では,一連の記述的特徴を通して時系列の代替表現を考える時系列分類法を提案する。 従来の分類アルゴリズムを応用し、解釈可能な結果と競合する結果を得た。
  論文  参考訳（メタデータ） (2020-09-08T09:44:03Z)
• Interpretable Time Series Classification using Linear Models and Multi-resolution Multi-domain Symbolic Representations [6.6147550436077776]
  我々は,現在のアプローチにおけるギャップに対処する新しい時系列分類アルゴリズムを提案する。 提案手法は,時系列の記号表現,効率的なシーケンスマイニングアルゴリズム,線形分類モデルに基づく。 我々のモデルは深層学習モデルと同じくらい正確だが、実行時間やメモリに関してより効率的であり、可変長の時系列を扱うことができ、元の時系列における識別的象徴的特徴を強調することで解釈できる。
  論文  参考訳（メタデータ） (2020-05-31T15:32:08Z)

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。