論文の概要: EvoTSC: Evolving Feature Learning Models for Time Series Classification via Genetic Programming

• arxiv url: http://arxiv.org/abs/2604.25499v1
• Date: Tue, 28 Apr 2026 11:01:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-29 16:49:17.830066
• Title: EvoTSC: Evolving Feature Learning Models for Time Series Classification via Genetic Programming
• Title（参考訳）: EvoTSC:遺伝的プログラミングによる時系列分類のための特徴学習モデルの開発
• Authors: Xuanhao Yang, Bing Xue, Mengjie Zhang,
• Abstract要約: 本稿では,時系列分類のための軽量特徴学習モデルの自動進化を目的とした,新しい遺伝的プログラミング手法であるEvoTSCを提案する。 EvoTSCの中核は慎重に設計された多層プログラム構造であり、進化過程に様々な専門知識を戦略的に組み込む。
• 参考スコア（独自算出の注目度）: 6.169964738201753
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Time series classification is an important analytical task across diverse domains. However, its practical application is often hindered by the scarcity of labeled data and the requirement for substantial computational resources. To address these challenges, this paper proposes EvoTSC, a novel genetic programming approach designed to automatically evolve lightweight feature learning models for time series classification. The core of EvoTSC is a carefully designed multi-layer program structure that strategically embeds diverse forms of prior expert knowledge into the evolutionary process, effectively guiding the search toward operations known to be highly effective for time series analysis. To mitigate the common overfitting problem in time series classification, a tailored Pareto tournament selection strategy is proposed to favor models that perform consistently well across varying training data subsets, promoting the discovery of highly generalizable models. Extensive experiments conducted on univariate time series classification datasets demonstrate that EvoTSC significantly outperforms eleven benchmark methods in most comparisons. Further analyses verify the contribution of each component and the resource efficiency of the evolved models.
• Abstract（参考訳）: 時系列分類は、様々な領域にわたる重要な分析課題である。 しかし、その実用的応用はラベル付きデータの不足とかなりの計算資源の要求によってしばしば妨げられる。 これらの課題に対処するために、時系列分類のための軽量な特徴学習モデルを自動的に進化させる新しい遺伝的プログラミング手法であるEvoTSCを提案する。 EvoTSCの中核は、進化過程に様々な専門知識を戦略的に組み込んだ、慎重に設計された多層プログラム構造であり、時系列解析に非常に効果的であることが知られている操作への探索を効果的に導く。 時系列分類における一般的なオーバーフィッティング問題を緩和するため、様々なトレーニングデータサブセット間で一貫して機能するモデルを選別し、高度に一般化可能なモデルの発見を促進するために、パレートトーナメント選択戦略が提案されている。 単変量時系列分類データセットで実施された大規模な実験により、EvoTSCは、ほとんどの比較において11のベンチマークメソッドを著しく上回っていることが示された。 さらに、各コンポーネントの寄与と、進化したモデルの資源効率を検証した。

関連論文リスト

• Evo-TFS: Evolutionary Time-Frequency Domain-Based Synthetic Minority Oversampling Approach to Imbalanced Time Series Classification [49.399484340024316]
  Evo-TFSは時間領域と周波数領域の両方の特徴を統合する新しいオーバーサンプリング手法である。 Evo-TFSでは、多種多様な高品質な時系列を進化させるために、強く型付けされた遺伝的プログラミングが使われている。 不均衡な時系列データセットで実施された実験は、Evo-TFSが既存のオーバーサンプリング手法より優れていることを示した。
  論文  参考訳（メタデータ） (2026-01-03T10:38:17Z)
• FusAD: Time-Frequency Fusion with Adaptive Denoising for General Time Series Analysis [92.23551599659186]
  時系列分析は、金融、医療、産業、気象学などの分野において重要な役割を果たす。 FusADは多様な時系列タスク用に設計された統合分析フレームワークである。
  論文  参考訳（メタデータ） (2025-12-16T04:34:27Z)
• General Time-series Model for Universal Knowledge Representation of Multivariate Time-Series data [61.163542597764796]
  周波数領域で異なる時間粒度(または対応する周波数分解能)の時系列が異なる結合分布を示すことを示す。 時間領域と周波数領域の両方からタイムアウェア表現を学習するために,新しいFourierナレッジアテンション機構を提案する。 自己回帰的空白埋め込み事前学習フレームワークを時系列解析に初めて組み込み、生成タスクに依存しない事前学習戦略を実現する。
  論文  参考訳（メタデータ） (2025-02-05T15:20:04Z)
• 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)
• 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)
• Data Augmentation for Multivariate Time Series Classification: An Experimental Study [1.5390962520179197]
  これらのデータセットのサイズは限られていますが、RocketとInceptionTimeモデルを使用して、13のデータセットのうち10の分類精度を向上しました。 これは、コンピュータビジョンで見られる進歩と並行して、効果的なモデルを訓練する上で、十分なデータの重要性を強調している。
  論文  参考訳（メタデータ） (2024-06-10T17:58:02Z)
• Embedded feature selection in LSTM networks with multi-objective evolutionary ensemble learning for time series forecasting [49.1574468325115]
  本稿では,Long Short-Term Memory Networkに埋め込まれた特徴選択手法を提案する。 本手法はLSTMの重みと偏りを分割的に最適化する。 イタリアとスペイン南東部の大気質時系列データの実験的評価により,従来のLSTMの能力一般化が著しく向上することが確認された。
  論文  参考訳（メタデータ） (2023-12-29T08:42:10Z)
• Finding Foundation Models for Time Series Classification with a PreText Task [7.197233473373693]
  本稿では,時系列分類のための事前訓練済みドメイン基盤モデルを提案する。 我々の方法論の重要な側面は、複数のデータセットにまたがる新しいプリテキストタスクである。 UCRアーカイブの実験では,この事前学習戦略が,事前学習を伴わずに従来の訓練方法よりも有意に優れていたことが示されている。
  論文  参考訳（メタデータ） (2023-11-24T15:03:55Z)

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。