論文の概要: TIGER: Time-Series Classification with In-Context-Learning Gated Ensemble of Representations

• arxiv url: http://arxiv.org/abs/2610.06156v1
• Date: Mon, 05 Oct 2026 11:28:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-09 18:21:48.676174
• Title: TIGER: Time-Series Classification with In-Context-Learning Gated Ensemble of Representations
• Title（参考訳）: TIGER: In-Context-Learning Gated Ensemble of Representations を用いた時系列分類
• Abstract要約: 我々は、TIGER (In-context-learning Gated Ensemble of Representationsを用いた時系列分類)。 TIGERは3つの汎用分類器の小さなポートフォリオを4つの異なるファミリーの4つの表現に適用し、その結果の12の学習者の予測をメタ機能行列に積み重ねる。 142データセットのベンチマークで、TIGERは、HIVE-COTE2.0を含む6つの比較アルゴリズムのうち、最高の平均精度、バランスの取れた精度、F1スコアを取得し、他の6つのアルゴリズムを著しく上回っている。
• 参考スコア（独自算出の注目度）: 0.4145742235679815
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: A representation family is a distinct way of extracting features from time series. Ensemble algorithms that combine several representation families remain the most accurate approach to time series classification. Current state-of-the-art ensembles, most notably HIVE-COTE~2.0, pair a bespoke classification algorithm with each representation family and combine their predictions using a fixed, non-adaptive rule. We present TIGER (Time-series classification with In-context-learning Gated Ensemble of Representations), which instead applies the same small portfolio of three general-purpose classifiers (Ridge, Extra Trees, and Naive Bayes) to four representations from four distinct families, stacking the resulting twelve base learners' predictions into a meta-feature matrix. The final prediction is produced by an adaptive meta-classification rule that chooses, independently for each data set, between a weighted hard majority vote and TabICLv2, a pretrained tabular foundation model used in-context as a meta-classifier, based on the mean number of training samples available per class. On a 142-data-set benchmark drawn from the UCR time series classification archive, TIGER obtains the best mean accuracy, balanced accuracy, and F1-score among six compared algorithms, including HIVE-COTE~2.0, and significantly outperforms each of the other five individually. TIGER's adaptive rule also meaningfully outperforms either of its two constituent meta-classification methods used alone, and its single hyperparameter, tuned using only a twenty-data-set development subset, is shown to generalize to the full evaluation benchmark. We further characterize TIGER's design through an extensive set of ablation experiments and report the design alternatives that we investigated and ultimately discarded.
• Abstract（参考訳）: 表現ファミリは時系列から特徴を抽出する方法である。 複数の表現族を組み合わせたアンサンブルアルゴリズムは、時系列分類における最も正確なアプローチである。 現在の最先端のアンサンブル、特にHIVE-COTE~2.0は、各表現族とベスポーク分類アルゴリズムを組み合わせ、固定された非適応規則を用いて予測を組み合わせている。 TIGER (Time-series classification with In-context-learning Gated Ensemble of Representations) は,TIGER (Time-Series classification with In-context-learning Gated Ensemble of Representations) という,3つの汎用分類器(Ridge, Extra Trees, Naive Bayes) の小さなポートフォリオを4つの異なる家系の表現に適用する。 最終予測は、各データセットに対して独立して、重み付けされたハードマジョリティ投票と、クラス毎に利用可能なトレーニングサンプルの平均数に基づいて、メタクラス化としてインコンテキストで使用される事前訓練された表形式の基礎モデルであるTabICLv2の間で、適応的なメタクラス化ルールによって作成される。 UCR時系列分類アーカイブから得られた142データセットのベンチマークにおいて、TIGERは、HIVE-COTE~2.0を含む6つの比較アルゴリズムのうち、最高の平均精度、バランスの取れた精度、F1スコアを取得し、他の5つのアルゴリズムを著しく上回っている。 TIGERの適応的ルールは、単独で使用する2つのメタ分類法のいずれかよりも有意義に優れており、その単一のハイパーパラメータは、20データセットの開発サブセットのみを使用して調整され、完全な評価ベンチマークに一般化される。 我々は、広範囲なアブレーション実験を通じてTIGERの設計をさらに特徴付け、調査し、最終的に破棄した設計代替案を報告する。

関連論文リスト

• EXAONE Tabular 1.0 : Technical Report [12.091751977253866]
  EXAONE Tabularは、分類と回帰のためのコンパクトモデルファミリである。 データセット固有の勾配更新なしで予測を生成する。 高い予測性能と高い効率を兼ね備えている。
  論文  参考訳（メタデータ） (2026-08-26T13:17:20Z)
• ARISE: An adaptive residual-informed stability ensemble for feature selection in small-sample biomedical omics [0.7286424005725253]
  小サンプル分子分類では、予測的、安定的、および非冗長なサブセットを二項および多クラスの結果として識別するセレクタが必要である。 本稿では, 相補的関連信号, クラスバランス安定性評価, 残差インフォームド冗長性制御, マルチクラス対のカバレッジを統合したARISEを提案する。
  論文  参考訳（メタデータ） (2026-08-14T20:10:22Z)
• Benchmarking on Tasks That Matter: Dataset Selection for Preserving Model Rankings [0.9870126088784975]
  機械学習モデルのベンチマークには、多くのデータセットが含まれることが多い。 効率性のためには、代わりに、小さくて代表的なデータセットの評価が好ましい。 本稿では,データセットのサブセットを選択する作業を行うためのフレームワークを紹介し,その選択戦略がグローバルモデルランキングをいかに保持するかを評価する。
  論文  参考訳（メタデータ） (2026-06-26T11:50:22Z)
• Balanced Aggregation: Understanding and Fixing Aggregation Bias in GRPO [70.38763678943648]
  検証可能な報酬(RLVR)による強化学習は、大規模言語モデルにおける推論とコード生成を改善するための中心的なパラダイムとなっている。 標準的なGRPOはシーケンスアグリゲーションを使用し、最近の研究はトークンアグリゲーションをより良い代替手段として提唱している。 トークンアグリゲーションは符号長結合を導入し、シーケンスアグリゲーションは暗黙的にダウンウェイトを延長する。
  論文  参考訳（メタデータ） (2026-04-14T09:48:46Z)
• AHDMIL: Asymmetric Hierarchical Distillation Multi-Instance Learning for Fast and Accurate Whole-Slide Image Classification [51.525891360380285]
  AHDMILは非対称な階層的蒸留マルチインスタンス学習フレームワークである。 2段階のトレーニングプロセスを通じて、無関係なパッチを排除します。 分類性能と推論速度の両方において、従来の最先端手法を一貫して上回っている。
  論文  参考訳（メタデータ） (2025-08-07T07:47:16Z)
• Decoupled Training for Long-Tailed Classification With Stochastic Representations [15.990318581975435]
  表現学習と学習の分離は,長期データを用いた分類に有効であることが示されている。 まず、ディープニューラルネットワークの一般化を改善するための最適化手法であるウェイト平均化(SWA)を適用し、長い尾の分類のためのより優れた一般化特徴抽出器を得る。 そこで我々は,SWA-Gaussian,Gaussian SWA,および自己蒸留戦略から得られた摂動表現に基づく新しい分類器再学習アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-04-19T05:35:09Z)
• Low-complexity deep learning frameworks for acoustic scene classification [64.22762153453175]
  音響シーン分類(ASC)のための低複雑さ深層学習フレームワークを提案する。 提案するフレームワークは、フロントエンドのスペクトログラム抽出、オンラインデータ拡張、バックエンドの分類、予測される確率の後期融合の4つの主要なステップに分けることができる。 DCASE 2022 Task 1 Development データセットで実施した実験は,低複雑さの要求を十分に満たし,最も高い分類精度を 60.1% で達成した。
  論文  参考訳（メタデータ） (2022-06-13T11:41:39Z)
• IDEA: Interpretable Dynamic Ensemble Architecture for Time Series Prediction [11.398865093869881]
  本稿では,解釈可能なベース学習者が群としての疎コミュニケーションと独立して予測を行うための,解釈可能な動的アンサンブルアーキテクチャ(IDEA)を提案する。 予測精度はTOURISMデータセットで最高の統計ベンチマークで2.6%向上し、M4データセットで最高のディープラーニングベンチマークで2%向上した。
  論文  参考訳（メタデータ） (2022-01-14T08:24:44Z)
• Calibrating Class Activation Maps for Long-Tailed Visual Recognition [60.77124328049557]
  本稿では,CNNの長期分布からネットワーク学習を改善するための2つの効果的な修正を提案する。 まず,ネットワーク分類器の学習と予測を改善するために,CAMC (Class Activation Map) モジュールを提案する。 第2に,長期化問題における表現学習における正規化分類器の利用について検討する。
  論文  参考訳（メタデータ） (2021-08-29T05:45:03Z)
• Intersection Regularization for Extracting Semantic Attributes [72.53481390411173]
  本稿では,ネットワーク抽出した特徴が意味属性のセットと一致するように,教師付き分類の問題を考える。 例えば、鳥類のイメージを種に分類することを学ぶとき、動物学者が鳥類を分類するために使用する特徴の出現を観察したい。 本稿では,複数層パーセプトロン(MLP)と並列決定木を併用した,離散的なトップレベルアクティベーションを持つニューラルネットワークのトレーニングを提案する。
  論文  参考訳（メタデータ） (2021-03-22T14:32:44Z)
• Selecting Relevant Features from a Multi-domain Representation for Few-shot Classification [91.67977602992657]
  本稿では,従来の特徴適応手法よりもシンプルかつ効果的である特徴選択に基づく新しい戦略を提案する。 このような特徴の上に構築された単純な非パラメトリック分類器は高い精度を示し、訓練中に見たことのない領域に一般化する。
  論文  参考訳（メタデータ） (2020-03-20T15:44:17Z)

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。