論文の概要: Statistical comparisons of time-series feature sets on classification tasks
- arxiv url: http://arxiv.org/abs/2608.01586v1
- Date: Mon, 03 Aug 2026 01:43:50 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-04 15:07:25.293154
- Title: Statistical comparisons of time-series feature sets on classification tasks
- Title（参考訳）: 分類課題における時系列特徴集合の統計的比較
- Abstract要約: 時系列分類問題に対する6つのオープンソース機能セットと3つのベースライン機能セットをベンチマークした。
大きさ、構成、時間に劇的な違いがあったにもかかわらず、機能セットは全体的に比較的類似している。
特定の機能セットの特定の構成が、パフォーマンス上の大きな利点またはデメリットをもたらす、特定の問題を強調しました。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In recent years, numerous open-source software libraries have been developed for computing sets of features from univariate time series. The type and number of features vary across these feature sets, which have been constructed with varying disciplinary perspectives on quantifying structure in time-series data. To date, the relative strengths and weaknesses of these feature sets on time-series classification problems remains largely unexplored. Here we aimed to understand the relative performance of six open-source feature sets and three baseline feature sets (based on distributional and/or basic spectral structure) across 124 univariate time-series classification problems using a normalization-based approach to problem-level benchmarking that better indexes the relative strengths and weaknesses of different algorithms compared to prior rank-based approaches. Despite their dramatic differences in size, composition, and computation time, we found that feature sets performed relatively similarly overall (85.3% of pairwise comparisons resulted in ties), with the largest feature set, tsfresh, exhibiting the strongest overall performance (29.03% wins across all pairwise comparisons against other feature sets). We also highlighted specific problems on which the specific composition of a given feature set gave it a substantial performance advantage or disadvantage, and problems where simple baselines comprised of Fourier coefficients and quantiles were sufficient to achieve strong performance. Our results demonstrate the need to consider problem-level performance when benchmarking time-series feature sets, and highlight the importance of feature make-up in driving relative classification performance.
- Abstract（参考訳）: 近年,単変量時系列の特徴集合を計算するためのオープンソースソフトウェアライブラリが数多く開発されている。
これらの特徴セットは時系列データにおける構造を定量化するための様々な学際的な視点で構築されている。
現在まで、時系列分類問題におけるこれらの特徴セットの相対的な長所と短所は明らかにされていない。
ここでは,6つのオープンソース機能セットと3つのベースライン機能セット(分布および/または基本スペクトル構造に基づく)の,124の単変量時系列分類問題に対する相対的性能の理解を目的とした。
大きさ、構成、計算時間に劇的な違いはあったが、機能セットが全体として比較的よく(ペアワイズ比較の85.3%が関係)、最大の機能セットであるtsfreshが最大の全体的なパフォーマンスを示す(全てのペアワイズ比較で29.03%が勝利)。
また,与えられた特徴集合の具体的構成が性能上の優位性や不利益をもたらすような特定の問題や,フーリエ係数と量子化係数からなる単純な基底線が強い性能を達成するのに十分である問題についても強調した。
本結果は,時系列特徴集合をベンチマークする際の問題レベル性能を検討することの必要性を示し,相対的な分類性能を駆動する上での特徴メイクアップの重要性を強調した。
関連論文リスト
- FreRA: A Frequency-Refined Augmentation for Contrastive Learning on Time Series Classification [56.925103708982164]
周波数領域からの新たな視点を示し、ダウンストリーム分類の利点として、グローバル、独立、コンパクトの3つを識別する。
本稿では,分類タスクにおける時系列のコントラスト学習に適した,軽量で効果的な周波数補充拡張(FreRA)を提案する。
FreRAは、時系列分類、異常検出、転送学習タスクにおいて、常に10つの主要なベースラインを上回ります。
論文 参考訳（メタデータ） (2025-05-29T07:18:28Z) - Capturing Temporal Components for Time Series Classification [5.70772577110828]
本研究では,逐次データから抽出した統計的コヒーレントな成分に基づいて学習したテキスト合成表現学習手法を提案する。
マルチスケールな変更空間に基づいて、シーケンシャルデータを類似の統計特性を持つチャンクに分割する教師なしの手法を提案する。
シーケンスベースのエンコーダモデルをマルチタスク設定でトレーニングし、時系列分類のための時間成分から合成表現を学習する。
論文 参考訳（メタデータ） (2024-06-20T16:15:21Z) - Robust Detection of Lead-Lag Relationships in Lagged Multi-Factor Models [61.10851158749843]
データ固有のリード-ラグ関係を発見することで、重要な洞察を得ることができる。
階層化多要素モデルにおけるリードラグ関係のロバスト検出のためのクラスタリング駆動手法を開発した。
論文 参考訳（メタデータ） (2023-05-11T10:30:35Z) - Never a Dull Moment: Distributional Properties as a Baseline for
Time-Series Classification [0.0]
極めて単純な分類手法の性能を評価する。
平均偏差と標準偏差に基づく単純な線形モデルは、統合失調症の個人を分類する上でより優れている。
論文 参考訳（メタデータ） (2023-03-31T05:55:54Z) - Feature-Based Time-Series Analysis in R using the theft Package [0.0]
時系列機能の集合を計算するための多くのオープンソースソフトウェアパッケージは、複数のプログラミング言語にまたがって存在している。
ここでは、これらの問題の解決策を、盗難と呼ばれるRソフトウェアパッケージに紹介する。
論文 参考訳（メタデータ） (2022-08-12T07:29:29Z) - Contextual Model Aggregation for Fast and Robust Federated Learning in
Edge Computing [88.76112371510999]
フェデレーション学習は、ネットワークエッジにおける分散機械学習の第一候補である。
既存のアルゴリズムは、性能の緩やかな収束や堅牢性の問題に直面している。
そこで本稿では,損失低減に対する最適コンテキスト依存境界を実現するためのコンテキストアグリゲーション手法を提案する。
論文 参考訳（メタデータ） (2022-03-23T21:42:31Z) - Cluster-and-Conquer: A Framework For Time-Series Forecasting [94.63501563413725]
本稿では,高次元時系列データを予測するための3段階フレームワークを提案する。
当社のフレームワークは非常に汎用的で,各ステップで時系列予測やクラスタリングが利用可能です。
単純な線形自己回帰モデルでインスタンス化されると、いくつかのベンチマークデータセットで最先端の結果が得られる。
論文 参考訳（メタデータ） (2021-10-26T20:41:19Z) - An Empirical Evaluation of Time-Series Feature Sets [0.0]
7つの異なる機能セットを使用して、機能に関する時系列問題を解決することができる。
ここでは、これらの集合を計算速度で比較し、それぞれに含まれる特徴の冗長性を評価し、それらの重なり合いと冗長性を評価する。
機能セットは、1000サンプルのシリーズでノートパソコンの1機能当たりの計算時間において、桁違いに異なることがわかりました。
論文 参考訳（メタデータ） (2021-10-21T06:06:46Z) - 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) - Supervised Feature Subset Selection and Feature Ranking for Multivariate
Time Series without Feature Extraction [78.84356269545157]
MTS分類のための教師付き特徴ランキングと特徴サブセット選択アルゴリズムを導入する。
MTSの既存の教師なし特徴選択アルゴリズムとは異なり、我々の手法は時系列から一次元特徴ベクトルを生成するために特徴抽出ステップを必要としない。
論文 参考訳（メタデータ） (2020-05-01T07:46:29Z) - Complexity Measures and Features for Times Series classification [0.0]
本稿では,時系列分類問題に対する時系列構造に関する情報を抽出できる特徴セットを提案する。
提案手法の実験結果から, 最先端モデルの2次モデルと3次モデルとに統計的に有意な差は認められなかった。
論文 参考訳（メタデータ） (2020-02-27T11:08:08Z)
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。