非参数时间序列分类的潜在源模型

NIPSFeb, 2013

非参数时间序列分类的潜在源模型

A Latent Source Model for Nonparametric Time Series Classification

George H. Chen, Stanislav Nikolov, Devavrat Shah

TL;DR使用近邻法分类时间序列的理论依据是，许多应用场景下实际上原型时间序列相对于我们可以访问的时间序列数量非常少；作者提出了一种基于潜在源模型的分类规则，并在合成数据上验证了加权多数投票与近邻分类的同等正确分类率。通过这种方法，在 Twitter 上可以提前 1 小时 26 分钟实现 95% 的 “趋势话题” 检测。

Abstract

For classifying time series, a nearest-neighbor approach is widely used in practice with performance often competitive with or better than more elaborate methods such as neural networks, decision trees, and suppo

time series nearest-neighbor classification latent source model forecasting

发现论文，激发创造

k*- 最近邻居：从全局到局部

本文提出了一种简单的，能够使权重最优化的局部加权回归 / 分类方法，并能够为需要估计值的每个数据点高效地找到权重和最优化的邻居数量，从而在多个数据集上展示了比标准局部加权方法更优异的性能表现。

Jan, 2017

社交媒體話題分類的非參數時間適應

本文针对用户生成的社交媒体数据不断变化，现有自然语言处理系统无法适应且需要大量重新训练的问题，提出了一种基于非参数分类器的简单有效的时间适应方法，并通过预测长期 Hashtag 变化的任务进行了实验。结果表明，非参数分类器的分类效果相比最佳参数基线提高了 64.12％，而且被动删除用户数据时也表现出极高的性能。

Sep, 2022

时间序列的非参数顺序预测

本文基于一组‘专家’结合提出了非参数化的预测策略，并在最少条件下展示了这些策略的普适一致性。通过对真实数据集的深入分析表明，这些非参数化策略比 ARMA 方法更具灵活性，更快速，并且在归一化累积预测误差方面总体表现更好。

Jan, 2008

在线最近邻分类

研究在线非参数分类中的一个实例，并考虑经典的 1 最近邻算法，证明它在可实现设置中针对支配或平滑对手实现次线性遗憾 - 即消失的错误率。

Jul, 2023

利用最近邻居改善分类器的决策边界

神经网络训练中，决策边界位于训练数据密度低的区域，受到少数训练样本的影响容易导致过度拟合；我们提供了一种简单的算法，通过对样本及其最近邻的预测（在潜在空间中计算）进行加权平均，以优化神经网络在标签噪声、对抗攻击、分类准确性等方面的性能。

Oct, 2023

基于特征的高度比较时间序列分类

一种高度比较，基于特征的时间序列分类方法，利用广泛的算法数据库从时间序列中提取数千个可解释的特征，并采用贪心前向特征选择与线性分类器选择最具信息的特征进行分类，实现了对时序列的降维并超越了传统的基于实例的分类器。

Jan, 2014

无监督时间序列表示学习与时空邻域编码

本文提出了一种自监督学习框架 (Temporal Neighborhood Coding)，用于学习非平稳时间序列的可泛化表示，通过利用信号生成过程的局部平滑性定义时间上具有稳定性的邻域，使用无偏差对比目标，通过确保在编码空间中，邻域内的信号分布可与非邻域内的信号分布区分来学习时间序列表示，并在分类和聚类任务上表现出卓越的性能。

Jun, 2021

视频排序模型中基于邻居的长尾排名问题增强

本研究针对长尾排名问题，提出了一种基于邻居增强结构的排名模型，在 MovieLens 1M 数据集上证明比基线基于行为标签的模型具有更高的效率。

Feb, 2023

时间序列的早期分类。基于成本的优化标准和算法

本文提出了一种采用新的优化准则的分类算法，该准则考虑了分类错误的成本和等待决策的成本，并尝试通过使用聚类或分类器来减少误判和延迟的影响，实验结果表明，这种方法优于传统的基于经验策略的方法。

May, 2020

最近邻分类的收敛速度

本文提出了一种新的最近邻方法，它能够适应不同空间区域的不同距离尺度，并分析其在度量空间的行为，从而得出分布相关的有限样本收敛速率，并实现了广泛数据空间的最近邻的普遍一致性。

Jun, 2014