Sep, 2023

利用随机分割函数生成层次结构，提升时间序列分类效果

PDF
TL;DR本研究介绍了一种新颖的带有随机分割函数的层次分割聚类方法，通过层次分类（HC）增强多类数据集中的分类性能。该方法具有在不需要显式信息的情况下生成层次结构的独特能力，适用于缺乏先验层次知识的数据集。通过根据分类器的可辨识性将类别系统地分成两个子集，所提出的方法构建了层次类别的二叉树表示。在 46 个多类时间序列数据集上使用流行的分类器（svm 和 rocket）和 SSFs（potr、srtr 和 lsoo）对该方法进行了评估。结果显示，当使用 rocket 和 svm 作为分类器时，该方法在约一半和三分之一的数据集上显著提高了分类性能。研究还探讨了数据集特征与 HC 性能之间的关系。尽管类别数量和平坦分类（FC）评分显示了一致的显著性，但在不同的分割函数上观察到了变化。总体而言，该方法为增强多类时间序列数据集中的分类性能提供了一种有希望的策略。未来的研究方向涉及探索不同的分割函数、分类器和层次结构，以及将该方法应用于超越时间序列数据的不同领域。源代码已公开提供，以促进复现和进一步探索该方法。
hierarchical divisive clusteringstochastic splitting functionshierarchical classificationmulti-class time series datasetsclassification performance
发现论文，激发创造
  • 探索时间序列数据的层次分类性能：差异度量和分类器比较

    对比了时间序列数据分析领域中层次分类（HC）和扁平分类（FC）方法的绩效，探究了不同数据集和分类器条件下，基于几种不同的相异度度量方式（JSD，TSD 和 CBD）, 采用了 MINIROCKET，STSF 和 SVM 分类器，发现当采用 TSD 相异度度量和 MINIROCKET 分类器时，HC 与 FC 相比表现出明显的优势；而当采用 STSF 和 SVM 这样的替代分类器时，FC 表现出持续的优势；此外，发现 TSD 在几乎所有情况下表现出色，但 CBD 在涉及 STSF 分类器的情况下表现优异，这凸显了不同相异度度量的复杂性，并强调根据所用数据集和分类器选择的重要性。研究结果对于理解分类方法和相异度度量在时间序列数据分析领域中的效果提供了有价值的见解，并为优化不同分析场景中的性能提供了基础，强调了继续研究时间序列数据分析中驱动分类性能的潜在机制的必要性，对提升各领域的预测建模和决策制定有着重要的意义。

    Feb, 2024

  • 用于分类和特征提取的时间序列森林

    本文提出一种时间序列分类的树集成方法 —— 时间序列森林 (TSF)，采用 Entrance gain 准则计算熵增益和距离度量，同时提出了一种用于捕捉时间序列分类中重要时序特征的 “时间重要性曲线”，在简单特征下性能超过了一些竞争对手如动态时间扭曲进行最近邻分类器，并且具有线性计算复杂度和基于并行计算技术。

    Feb, 2013

  • 大规模层次化工业需求时序预测与稀疏性结合

    HAILS 是一种新颖的概率层次模型，通过自适应地对不同分布假设的稀疏和密集时间序列进行建模，以遵循层次约束，从而实现层次结构中的精确和校准的概率预测。通过在实际需求预测数据集上进行评估，我们展示了我们方法的可扩展性和有效性。我们在一家大型化工制造公司部署 HAILS 进行产品需求预测应用，涵盖了成千上万个产品，结果显示预测准确性提高了 8.5％，稀疏时间序列的改进提高了 23％。增强的准确性和可扩展性使 HAILS 成为改进商业规划和客户体验的有价值工具。

    Jul, 2024

  • 时间序列预测的分层集成特征选择

    我们研究了一种新颖的集成方法，用于处理非稳态和样本有限、特征数量庞大的特征选择问题。通过利用特征之间的相互依赖关系，我们提出的层次结构方法克服了传统特征选择方法和特征重要性评分的局限性，并在合成和实际数据集上展示了可伸缩性和稳定性方面的改进性能。

    Oct, 2023

  • 半监督预测聚类树用于（分层）多标记分类

    本文考察了在复杂预测任务中半监督学习的应用，提出了一种基于预测聚类树的（分层）多标签分类方法，并通过实验评估证明了该方法及其集成学习的显着优势。此外，该方法具有可解释性和时间复杂度优势。

    Jul, 2022

  • 规模化的层次预测

    通过使用稀疏损失函数直接优化层次产品和 / 或时间结构，我们提出了一种使用单个底层预测模型学习数百万时间序列的连贯预测的方法。我们的稀疏层次损失函数的好处是为从任意选定的横向或时间层次产生连贯底层预测的实践者提供了一种方法。此外，消除了传统层次预测技术中所需的后处理步骤，从而降低了预测流程中的计算成本。在公开的 M5 数据集上，我们的稀疏层次损失函数的表现比基准损失函数提高了 10%（RMSE）。我们将稀疏层次损失函数应用于欧洲一家大型电子商务平台的现有预测模型中，在产品层面上改善了 2% 的预测性能。最后，我们发现在我们定义的横向层次上评估预测性能时，预测性能提高了约 5-10%。这些结果证明了我们的稀疏层次损失应用于主要电子商务平台的生产预测系统的有用性。

    Oct, 2023

  • 多标签数据分层的网络视角

    本文提出了一种第二阶段迭代分层方法来处理多标签数据的分类问题，并引入了新的统计量，包括标签对分布和标签对和折叠对的百分比。通过与其他方法的比较，结果表明本方法可以降低分类质量的方差，改善标签配对的度量和示例分布，并提高网络特征的稳定性。

    Apr, 2017

  • 使用分层聚类和分裂神经网络实现对缺失特征的鲁棒性

    本文提出了一种简单而有效的方法，使用层次聚类将相似的输入特征聚类在一起，并使用联合损失训练比例分割神经网络，从而解决机器学习和统计数据分析中缺失数据的问题。作者在基准数据集上进行了评估，展示了即使使用简单插补技术也可以取得有希望的改进，这得益于模型架构中相似特征聚类的学习。

    Nov, 2020

  • 基于图形的时间序列聚类用于端到端分层预测

    本文介绍一种基于图形结构的方法，用于在时间序列预测的深度学习中统一相对和层次的归纳偏见，该方法相对其他方法效果更佳。

    May, 2023

  • 基于矩阵分解的随机性识别：在黑洞数据上的应用

    本文提出了一种基于奇异值分解和主成分分析的算法用于时序分类，将所提方法应用于黑洞 GRS 1915+105 的时间序列数据上，结果显示在 12 个时间类别中具有较高的分类准确度。

    Jul, 2023