Detach-ROCKET: 基于随机卷积核的时间序列分类的顺序特征选择

Sep, 2023

Detach-ROCKET: 基于随机卷积核的时间序列分类的顺序特征选择

Detach-ROCKET: Sequential feature selection for time series classification with random convolutional kernels

Gonzalo Uribarri, Federico Barone, Alessio Ansuini, Erik Fransén

TL;DR通过引入顺序特征分离（SFD）作为一种方法来识别和修剪这些非必需特征，本研究解决了时间序列数据中大量随机生成特征的冗余性和非信息性的问题，通过测试在 UCR 存档上表明 SFD 可以在保持高准确率的同时，将模型特征数量减少到原始数量的 10％，并提供了一种称为 Detach-ROCKET 的端到端过程以在模型准确性和特征数量之间找到最佳平衡。

Abstract

time series classification is essential in many fields, such as medicine, finance, environmental science, and manufacturing, enabling tasks like disease diagnosis, anomaly detection, and stock price prediction. Machine learning models like Recurrent Neural Networks and InceptionTime, w

time series classification machine learning models random convolutional kernel models sequential feature detachment (sfd)detach-rocket

发现论文，激发创造

P-ROCKET：剪枝随机卷积核用于时间序列分类

近年来，ROCKET 和 MINIROCKET 两个时间序列分类模型以其低训练成本和尖端的准确性吸引了广泛关注。本文提出了一种名为 P-ROCKET 的核心算法，它从特征选择的角度开始，通过在连续分类层中消除相关联的连接来剪枝，以实现快速有效的时间序列特征提取和线性分类器适配。

Sep, 2023

S-Rocket：用于时间序列分类的选择性随机卷积核

本文章提出了一种名为 Rocket 的流形学习方法，采用大量不同配置的独立的随机 1-D 卷积核来提取时间序列的特征，以提高模型的分类性能，同时介绍了一种组合优化算法来选择最重要的核，从而减少计算复杂性并加速 Rocket 在边缘设备上的推理应用。

Mar, 2022

ROCKET：使用随机卷积核的极快准确时间序列分类

介绍了一种简单的线性分类器，它利用随机卷积核，相对于现有方法具有极少的计算负担，可用于时序数据分类，并在准确性上达到了最先进的水平。

Oct, 2019

MINIROCKET: 用于时间序列分类的非常快速（几乎确定性）变换

采用随机卷积核转换输入时间序列并使用转换特征训练线性分类器的 ROCKET 算法与大多数现有方法的计算复杂度相比具有更高的准确性，而 MINIROCKET 方法则在维持基本相同的精度的同时，在大型数据集上比 ROCKET 更快 75 倍，并且可实现接近确定性的分类结果，且在所有 109 个 UCR 数据集上训练和测试分类器所需的时间不到 10 分钟。因此，我们建议 MINIROCKET 现在应该作为 ROCKET 的默认变体。

Dec, 2020

MultiRocket: 多重池化算子和转换，用于快速有效的时间序列分类

MultiRocket 是一种快速时间序列分类算法，采用多个池化操作和转换来改善生成的特征的多样性，通过将一阶差分用于原始序列，应用卷积于两个表示，并对卷积输出应用四个池化算子。在 UCR 台州大学时间序列分类基准数据集上对其进行基准测试时，MultiRocket 比 MiniRocket 更准确快速，并且在准确性方面与最好的方法 HIVE-COTE 2.0 具有竞争力。

Jan, 2021

基于机器学习模型的用于小牛行为分类的 ROCKET 和 Catch22 特征评估

该研究旨在比较 ROCKET、Catch22 和 Hand-Crafted 特征在预断奶小牛行为分类中的表现，结果表明 ROCKET 和 RidgeClassifierCV 的组合具有最好的平衡准确率（0.77），进而证明针对特定行为和环境调整这些方法对推进精确畜牧业和提高动物福利尺度上至关重要。

Apr, 2024

使用随机特征逼近进行高效数据集蒸馏

提出了一种名为 RFAD 的基于随机特征近似的数据集蒸馏算法，该算法能够在维持较高准确性的同时，大幅加速了现有的数据集压缩算法，能够应用于大规模数据集上，并适用于如模型解释和隐私保护等任务。

Oct, 2022

回归基础：对现代时间序列分类算法进行合理检验

本研究比较了使用传统机器学习方法的表格模型与 ROCKET 系列分类器在时间序列分类中的性能，发现表格模型在大约 19％的单变量和 28％的多变量数据集上优于 ROCKET 系列分类器，并在约 50％的数据集上取得了不超过 10 个百分点的准确率，结果表明在开发时间序列分类器时要考虑简单的表格模型作为基线模型。

Aug, 2023

FSDR：一种基于离散松弛的伪时间序列数据的新型深度学习特征选择算法

利用离散松弛学习的深度学习算法 FSDR，针对伪时间序列（PTS）数据中的特征选择问题，实验证明 FSDR 在考虑执行时间、$R^2$ 以及 $RMSE$ 的平衡时，优于其他三种常用特征选择算法。

Mar, 2024

一种基于卷积核的混合特征学习方法用于 ATM 事件日志数据的故障预测

本研究提出了一种基于卷积核的预测模型来从原始事件日志数据中提取特征，并使用线性分类器对样本进行分类，以便在 ATM 及时维护方面支持运营商。实验结果表明，该模型在时间序列分类和机器学习方法方面具有较好的性能，并已经应用于一个实际数据集中。

May, 2023