早期时间分类与累积准确度差控制

Feb, 2024

早期时间分类与累积准确度差控制

Early Time Classification with Accumulated Accuracy Gap Control

Liran Ringel, Regev Cohen, Daniel Freedman, Michael Elad, Yaniv Romano

TL;DR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。

Abstract

early time classification algorithms aim to label a stream of features without processing the full input stream, while maintaining accuracy comparable to that achieved by applying the classifier to the entire input. In this paper, we introduce a →

early time classification algorithms statistical framework sequential classifier accuracy gap early stopping mechanism

发现论文，激发创造

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

TEASER：时间序列早期准确分类

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

早期序列分类政策

本文介绍了一种基于分类器的停止机制，实现了更快速、更精确的早期序列分类，并取得了较高的平均 Pareto 前沿 AUC 值提升率。

Apr, 2023

具有拒绝选项的早期时间序列分类器

本文提出了一种分类器架构，其中包含一个拒绝选项，能够在不需要等待整个时间序列信号出现的情况下进行在线决策，应用于气味 / 气体信号的分类问题，构建了一种新型电子鼻，即 Forefront-Nose，实验结果证实了该算法与标准分类器从早期性和识别性方面的稳健性。

Dec, 2013

学习再测试：校准预测算法以实现风险控制

介绍了一种框架，用于通过多重假设检验重新定义风险控制问题来校准机器学习模型，从而保证其预测结果符合明确的统计保证。

Oct, 2021

早期时间序列分类算法：实证比较

本研究旨在评估和比较现有的早期时序分类算法，为生命科学和海事领域提供分类预测，并建立一个可用于相关技术测试的基准。

Mar, 2022

无需验证集的早停算法

本文提出了一种新的基于局部统计梯度的早期停止准则，该准则完全消除了验证集的需要，并在最小二乘法、逻辑回归和神经网络的情况下被证明是一种可行的方法。

Mar, 2017

农业卫星时间序列监测的早期分类

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

持续学习中的标签延迟

在线连续学习（online continual learning）对标注延迟（label delay）的处理提出了新的连续学习框架，通过模拟不同时间步长间的未标注数据和标签的延迟关系，引入简单高效的基线方法，在不显著增加计算复杂性的情况下，成功弥合了由于标注延迟引起的准确性下降。

Dec, 2023

如何在开放时间序列中分类事件？

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