論文の概要: CADENCE: A Confidence-Adaptive Dual-Expert Network for Fast and Accurate Time Series Classification

• arxiv url: http://arxiv.org/abs/2609.35929v1
• Date: Mon, 28 Sep 2026 14:05:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-30 21:28:46.896626
• Title: CADENCE: A Confidence-Adaptive Dual-Expert Network for Fast and Accurate Time Series Classification
• Title（参考訳）: CADENCE: 高速かつ正確な時系列分類のための信頼度適応型デュアルエキスパートネットワーク
• Abstract要約: CADENCEは、時系列分類のためのCPUネイティブなデュアルエキスパートアーキテクチャである。 109の同じ長さのUCCアーカイブデータセットに対して0.8864の精度を実現している。 HIVE-COTE 2.0の差を0.31ポイントまで縮め、データセットあたり平均17.53秒しか取らない。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Time series classification (TSC) exhibits a sharp trade-off between accuracy and computational scalability. Meta-ensembles like HIVE-COTE 2.0 reach state-of-the-art accuracy but require extensive compute, whereas ultra-fast random convolutional transforms (e.g., MiniRocket, Hydra) run in seconds but struggle with phase-independent distributions, signal kinematics, and decision tree fragmentation on large class counts. In this work, we present CADENCE (Confidence-Adaptive Dual-Expert Network for time series Classification Excellence), a unified, CPU-native dual-expert architecture. CADENCE decouples representation learning into two specialized pathways: (i) a Convolutional Linear Expert pairing 10,000 deterministic dilated features with closed-form L2-regularized Woodbury ridge classification, and (ii) a Distributional Interval Expert pairing competing dilated kernels (Hydra) with dyadic Cornish-Fisher moment approximations across signal kinematics and FFT spectral bands, fitted with an ExtraTrees ensemble. An internal validation meta-router with rare-class preservation dynamically selects between pure expert routing and confidence-weighted soft blending, followed by a full refit on 100% of training data. Evaluated across all 109 equal-length UCR Archive datasets over 30 resamples (3,270 total runs), CADENCE achieves a grand mean accuracy of 0.8864. This ranks #2 across the archive, surpassed only by HIVE-COTE 2.0 (0.8895, p_Holm = 0.295, no statistically significant difference), while outperforming Hydra+MultiRocket (0.8818), MultiRocket (0.8797), and HIVE-COTE 1.0 (0.8786, p_Holm = 0.048). CADENCE closes the gap to HIVE-COTE 2.0 to 0.31 percentage points while taking an average of only 17.53 seconds per dataset on a dual-core CPU. Source code and evaluation scripts: https://github.com/onisa-jr/CADENCE.git
• Abstract（参考訳）: 時系列分類(TSC)は、精度と計算スケーラビリティのトレードオフを示す。 HIVE-COTE 2.0のようなメタアンサンブルは最先端の精度に達するが、広範囲の計算を必要とするが、超高速なランダムな畳み込み変換(例えば、MiniRocket、Hydra)は数秒で実行されるが、位相非依存の分布、信号キネマティクス、大きなクラス数での決定木断片化に苦労する。 本稿では,CPUネイティブなマルチエキスパートアーキテクチャであるCADENCE(Confidence-Adaptive Dual-Expert Network for time series Classification Excellence)を提案する。 CADENCEは表現学習を2つの特別な経路に分離する。 i) 閉形式L2正規化ウッドベリーリッジ分類と1万個の決定論的拡張特徴を組み合わせた畳み込み線形エキスパート (II) 信号キネマティクスとFFTスペクトル帯域をまたいだDyadic Cornish-Fisher モーメント近似と競合する拡張カーネル (Hydra) にExtraTrees アンサンブルを装着した分散インターバルエキスパートペア。 内部検証メタルータは、純粋専門家ルーティングと信頼度重み付きソフトブレンディングを動的に選択し、100%のトレーニングデータの完全な修正を行う。 CADENCEは、30個のサンプル(合計3,270回)を超える109個のUCRアーカイブデータセットで評価され、平均精度は0.8864である。 これはHIVE-COTE 2.0 (0.8895, p_Holm = 0.295, 統計的に有意な差はない) を上回り、Hydra+MultiRocket (0.8818), MultiRocket (0.8797), HIVE-COTE 1.0 (0.8786, p_Holm = 0.048) を上回っている。 CADENCEはHIVE-COTE 2.0へのギャップを0.31ポイントに縮め、デュアルコアCPU上ではデータセット平均17.53秒しか処理しない。 ソースコードと評価スクリプト:https://github.com/onisa-jr/CADENCE.git

関連論文リスト

• XLOG: A CUDA-Native Engine for Neurosymbolic Integration [0.688204255655161]
  xlogはネイティブなロジックプログラミングエンジンである。 神経知覚と決定論的データログを統合する。 正確な推論は正確であるが、ProbLog2より遅い。
  論文  参考訳（メタデータ） (2026-09-23T01:08:36Z)
• RocketPFN: Accurate Time Series Classification via In-Context Learning [4.700908434131285]
  本稿では,ランダムな畳み込み特徴抽出とテキスト内分類を組み合わせた時系列分類のためのトレーニングフリーパイプラインであるRocketPFNを紹介する。 92のUCRデータセットでは、RocketPFNは、平均精度(0.900、Wilcoxon p=0.50)でアーカイブ上で最強の公表されたHC2と一致し、目標データに対するトレーニングは行わず、1フォールドあたり30秒の中央値推論時間である。
  論文  参考訳（メタデータ） (2026-06-19T22:27:34Z)
• SwiftCTS: Fast Cross-Design Prediction and Pareto Optimization of Clock Tree Metrics via Few-Shot Calibration [0.3670422696827525]
  クロックツリー合成(CTS)は、物理設計フローにおける計算コストの高い段階である。 我々は、両方の制限に同時に対処する物理インフォームドサロゲートフレームワークであるSwiftCTSを紹介する。 スウィフトCTSは、軽量で物理地上の統計機能と勾配ブーイングされたアンサンブルを結合することにより、CPU上で5秒未満でトレーニングし、GPUサポートなしでミリ秒未満で配信する。
  論文  参考訳（メタデータ） (2026-06-09T18:25:38Z)
• Amplifying, Not Learning: Fine-Tuned AI Text Detectors Amplify a Pretrained Direction [51.56484100374058]
  テキスト検出器は、事前訓練された典型軸を増幅する。 タスク監督前の生エンコーダでは、3つのアーキテクチャでNYT-vs-HC3 AUROC 0.806/0.944/0.834を達成する。 RoBERTaベースでは、生のプロジェクションは微調整を超えるが、RoBERTaベースでは、フル微調整は、試験された流線型人口の双方で生よりも識別を小さくする。
  論文  参考訳（メタデータ） (2026-05-20T19:08:38Z)
• The Meta-Learning Gap: Combining Hydra and Quant for Large-Scale Time Series Classification [0.0]
  時系列分類は精度と計算効率の基本的なトレードオフに直面している。 2つの効率的なアルゴリズムの組み合わせがアンサンブルの利点を捉えることができるかどうかを検討する。 10個の大規模なMONSTERデータセットの性能評価を行った。
  論文  参考訳（メタデータ） (2025-12-07T05:37:40Z)
• RTMO: Towards High-Performance One-Stage Real-Time Multi-Person Pose Estimation [46.659592045271125]
  RTMOは座標分類をシームレスに統合する一段階のポーズ推定フレームワークである。 高速を維持しながらトップダウン手法に匹敵する精度を達成する。 私たちの最大のモデルであるRTMO-lは、COCO val 2017で74.8%AP、1つのV100 GPUで141FPSを実現しています。
  論文  参考訳（メタデータ） (2023-12-12T18:55:29Z)
• Improved techniques for deterministic l2 robustness [63.34032156196848]
  畳み込みニューラルネットワーク(CNN)を$l_2$ノルムの下で厳密な1-Lipschitz制約で訓練することは、対向的堅牢性、解釈可能な勾配、安定した訓練に有用である。 我々は,最後の線形層を1重層に置き換えることで,1-Lipschitz CNNのロバスト性を証明する手法を提案する。 我々は,CIFAR-10およびCIFAR-100における標準および証明可能な堅牢な精度の最先端化を図る。
  論文  参考訳（メタデータ） (2022-11-15T19:10:12Z)
• Adaptive Split-Fusion Transformer [90.04885335911729]
  本稿では,適応重みによる畳み込みと注目の分岐を異なる方法で扱うための適応分割変換器(ASF-former)を提案する。 ImageNet-1Kのような標準ベンチマークの実験では、我々のASFフォーマーはCNN、トランスフォーマー、ハイブリッドパイロットを精度で上回っている。
  論文  参考訳（メタデータ） (2022-04-26T10:00:28Z)
• Random Convolution Kernels with Multi-Scale Decomposition for Preterm EEG Inter-burst Detection [0.0]
  ランダム畳み込みカーネルを持つ線形分類器は、設計やドメイン知識を必要としない計算効率の良い方法である。 最近提案されたRandOm Convolutional KErnel Transformsは、時系列データセットの範囲で高い精度を示している。 本稿では,高周波数成分と低周波数成分を併用したマルチスケールバージョンを提案する。
  論文  参考訳（メタデータ） (2021-08-04T13:07:41Z)
• BiCnet-TKS: Learning Efficient Spatial-Temporal Representation for Video Person Re-Identification [86.73532136686438]
  映像人物再識別(reID)のための効率的な時空間表現法を提案する。 空間相補性モデリングのための双方向相補性ネットワーク(BiCnet)を提案する。 BiCnet-TKSは、約50%の計算量で最先端の性能を発揮する。
  論文  参考訳（メタデータ） (2021-04-30T06:44:34Z)

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。