論文の概要: An Objective Performance Evaluation of the LSTM Networks in Time Series Classification

• arxiv url: http://arxiv.org/abs/2605.19311v1
• Date: Tue, 19 May 2026 03:47:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-20 15:03:09.102406
• Title: An Objective Performance Evaluation of the LSTM Networks in Time Series Classification
• Title（参考訳）: 時系列分類におけるLSTMネットワークの客観的性能評価
• Authors: Sooraj Sunil, Balakumar Balasingam,
• Abstract要約: 長期記憶(LSTM)ネットワークは時系列解析において一般的な選択肢となっている。 本稿では,LSTM分類器とモデルベース予測分類器(EM)分類器を比較した性能評価フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The rapid adoption of deep learning has increasingly led to data-driven models replacing classical model-based algorithms, even in domains governed by well-understood physical laws. While data-driven models, such as long short-term memory (LSTM) networks, have become a popular choice for time-series analysis, their performance relative to model-based approaches in structured environments is rarely evaluated objectively. This paper presents a performance evaluation framework comparing an LSTM classifier against a model-based expectation maximization (EM) classifier for binary time-series classification. The evaluation is conducted on two scalar linear Gaussian state space models differing only in their noise statistics, where the Kalman filter likelihood ratio test with true parameters serves as a reference for the best achievable classification performance.Through Monte Carlo simulations, the classifiers are evaluated across three axes: task difficulty, controlled by the separation in process or measurement noise between the two models; sequence length; and training dataset size. The results show that the EM classifier, which exploits the known model structure, performs strongly when the data conform to the assumed model class. The LSTM classifier requires a larger separation in noise statistics to achieve reliable classification, and its performance saturates below the reference classifier when the models differ only in measurement noise, regardless of sequence length or training dataset size.
• Abstract（参考訳）: ディープラーニングの急速な採用により、よく理解された物理法則によって支配される領域においても、古典的なモデルベースのアルゴリズムを代替するデータ駆動モデルが増えている。 長寿命メモリ(LSTM)ネットワークのようなデータ駆動型モデルは時系列解析において一般的な選択肢となっているが、構造化環境におけるモデルベースアプローチに対する性能は客観的に評価されることはめったにない。 本稿では,LSTM分類器とモデルベース予測最大化(EM)分類器を比較した性能評価フレームワークを提案する。 この評価は, 2つのスカラー線形ガウス状態空間モデルにおいて, 真のパラメータを持つカルマンフィルタの比比が, 最適な分類性能の基準となる場合のみに異なる。モンテカルロシミュレーションでは, タスク困難度, プロセスの分離, 測定ノイズによる制御, シーケンス長, トレーニングデータセットサイズを3軸で評価する。 その結果、EM分類器は、推定されたモデルクラスに準拠した場合に、既知のモデル構造を利用して、強く機能することがわかった。 LSTM分類器は、信頼性の高い分類を実現するために、より大きなノイズ統計の分離を必要とし、その性能は、シーケンス長やトレーニングデータセットのサイズに関わらず、測定ノイズのみが異なる場合、基準分類器より低く飽和する。

関連論文リスト

• TSFM in-context learning for time-series classification of bearing-health status [2.1569807291469454]
  本稿では,時系列基礎モデル(TSFM)における文脈内学習を用いた分類手法を提案する。 本研究では、TSFMトレーニングデータコーパスに含まれていないデータをどのように分類するかを、モデルを微調整することなく示す。 本手法をサーボプレスモータ内の軸受の健康状態を評価するための振動データに適用する。
  論文  参考訳（メタデータ） (2025-11-19T14:01:12Z)
• Area under the ROC Curve has the Most Consistent Evaluation for Binary Classification [3.1850615666574806]
  本研究は, 有病率の異なるデータ間でのモデル評価において, 測定値の整合性について検討する。 有病率の影響を受けない評価指標は、個々のモデルの一貫性のある評価と、モデルの集合の一貫性のあるランキングを提供する。
  論文  参考訳（メタデータ） (2024-08-19T17:52:38Z)
• LETS-C: Leveraging Text Embedding for Time Series Classification [15.520883566827608]
  本稿では,時系列領域における言語モデリングの成功を活用するための代替手法を提案する。 テキスト埋め込みモデルを用いて時系列を埋め込み、その埋め込みを畳み込みニューラルネットワーク(CNN)と多層パーセプトロン(MLP)からなる単純な分類ヘッドと組み合わせる。 本研究は,テキスト埋め込みモデルを用いて時系列データをエンコードし,かつ,単純かつ効果的に分類し,高性能な時系列分類を実現する上で有望な方向性を示すことを示唆する。
  論文  参考訳（メタデータ） (2024-07-09T04:07:57Z)
• Latent Semantic Consensus For Deterministic Geometric Model Fitting [109.44565542031384]
  我々はLSC(Latent Semantic Consensus)と呼ばれる効果的な方法を提案する。 LSCは、モデルフィッティング問題をデータポイントとモデル仮説に基づく2つの潜在意味空間に定式化する。 LSCは、一般的な多構造モデルフィッティングのために、数ミリ秒以内で一貫した、信頼性の高いソリューションを提供することができる。
  論文  参考訳（メタデータ） (2024-03-11T05:35:38Z)
• The Languini Kitchen: Enabling Language Modelling Research at Different Scales of Compute [66.84421705029624]
  本稿では,アクセル時間で測定された等価計算に基づくモデル比較を可能にする実験的プロトコルを提案する。 私たちは、既存の学術的ベンチマークを上回り、品質、多様性、文書の長さで上回る、大規模で多様で高品質な書籍データセットを前処理します。 この研究は、GPT-2アーキテクチャから派生したフィードフォワードモデルと、10倍のスループットを持つ新しいLSTMの形式でのリカレントモデルという2つのベースラインモデルも提供する。
  論文  参考訳（メタデータ） (2023-09-20T10:31:17Z)
• Dynamically-Scaled Deep Canonical Correlation Analysis [77.34726150561087]
  カノニカル相関解析 (CCA) は, 2つのビューの特徴抽出手法である。 本稿では,入力依存の正準相関モデルをトレーニングするための新しい動的スケーリング手法を提案する。
  論文  参考訳（メタデータ） (2022-03-23T12:52:49Z)
• Locate This, Not That: Class-Conditioned Sound Event DOA Estimation [50.74947937253836]
  我々は,すべてのクラスに常に興味を持っていないような状況に対して,クラス条件のSELDモデルを提案する。 このクラス条件SELDモデルは、音ファイルから空間的特徴とスペクトル的特徴を入力として、また、現在私たちが関心を持っているクラスを示す1ホットベクトルである。
  論文  参考訳（メタデータ） (2022-03-08T16:49:15Z)
• Training Experimentally Robust and Interpretable Binarized Regression Models Using Mixed-Integer Programming [3.179831861897336]
  マルチクラス分類タスクに対するロバストかつ解釈可能な二項化回帰モデルをトレーニングするためのモデルに基づくアプローチを提案する。 MIPモデルは、重み付けされた目的を用いて予測マージンとモデルサイズを最適化する。 MIPを用いた頑健かつ解釈可能な二項化回帰モデルのトレーニングの有効性を示す。
  論文  参考訳（メタデータ） (2021-12-01T11:53:08Z)
• Anomaly Detection of Time Series with Smoothness-Inducing Sequential Variational Auto-Encoder [59.69303945834122]
  Smoothness-Inducing Sequential Variational Auto-Encoder (SISVAE) モデルを提案する。 我々のモデルは、フレキシブルニューラルネットワークを用いて各タイムスタンプの平均と分散をパラメータ化する。 合成データセットと公開実世界のベンチマークの両方において,本モデルの有効性を示す。
  論文  参考訳（メタデータ） (2021-02-02T06:15:15Z)

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。