具有拒绝选项的早期时间序列分类器
通过引入一种统计框架,本文提出了一种适用于任何连续分类器的校准停止规则,以有限样本、基于分布的方式控制完整和早期分类之间的准确性差距,在平均上具有较高的错误控制能力,并通过数字实验证明了该方法的有效性和实用性。
Feb, 2024
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
本研究提出了一种名为 EERO 的新方法,将早期退出的问题转化为使用具有拒绝选项的多个分类器的问题,以更好地选择每个实例的退出头。实验证明,该方法不仅有效管理预算分配,而且在超思考场景中提高了准确性。
Feb, 2024
本研究介绍了一种新的化学传感器阵列分类方法 ChemTime,以解决硬件传感器阵列在化学感知中的快速分类和推理时间最小化的挑战,并取得了良好的性能和准确度。
Dec, 2023
TEASER 是一种新算法,它将早期时间序列分类建模为两个级别的分类问题,并在使用 45 个基准数据集进行评估时比竞争对手提前两至三倍地预测,同时达到相同或更高的分类准确性。
Aug, 2019
本文系统地回顾了当前文献中针对一元和多元时间序列早期分类的各种方法,将这些方法划分为基于前缀、基于形状、基于模型和其他方法四个类别,并讨论了在医疗保健、金融和智能交通等领域中早期分类的应用。未来的研究方向也得到了总结。
May, 2020
本研究探究适用于时间序列分类领域的不同方法和各种神经网络结构。该论文通过使用来自气体传感器的数据来探测某一特定环境中的占用状态,并使用 Fully Convolutional Networks (FCN) 和 Long Short-Term Memory (LSTM) 进行监督学习和递归自编码器进行半监督学习,通过评估精度和召回率等指标来确定哪种方法最适合此问题。
Jul, 2023
通过优化线性分类器的 ' 模式匹配 ' 描述符,研究了 24 维电导率电子鼻的相对阻抗和电流调制,允许识别不同类别的信息模式,并无人监督地对环境进行聚类。通过其电子实现,该研究可减少电导率电子鼻在无人监督的情况下对环境识别的计算要求。
Jan, 2024
本文介绍用于卫星农业监测的一种新型早期分类机制,该机制能够增强现有分类模型,具有自主决策的能力,且仅通过观察卫星数据进行训练。我们在中欧农田上展示了结果,并发现此分类机制能够在植被期结束前区分许多作物类型,且分类时间和观察到的植物表现有关。
Aug, 2019
本文首次研究在流式事件没有预先定义终点的情况下,早期分类与准确性的平衡如何优化,并发现过去的算法可以用于新的问题,同时应用于预测性维护,最终取得了成功。
Apr, 2022