Con4m: 上下文感知的一致性学习框架用于分段时间序列分类
TS-CHIEF是一种新的TSC算法,它构建了一个集成了最有效的时间序列嵌入式森林的集成分类器,通过使用树形分类器进行高效的分类。我们对加利福尼亚大学河滨(UCR)档案的85个数据集进行了评估,在可扩展性和效率方面实现了最新的准确性,能够在仅用比其它算法更短的时间内处理130k的时间序列。
Jun, 2019
本文提出了一种新的以时间序列分类为主题的分类器——基准区间森林(CIF),它将时间序列森林(TSF)和catch22特征集相结合,并展示了在UCR档案上的显着性能提高。
Aug, 2020
本文提出了一种通过时间和语境对比(TS-TCC)的无监督时间序列表示学习框架,该框架可从未标记数据中学习时间序列表示,其中包括弱和强扩充转换的两个不同但相关的视图,并提出了一种新的时间对比模块和一个上下文对比模块来学习稳健的时间表示和判别性表示。
Jun, 2021
提出了Similarity-Aware Time-Series Classification (SimTSC)框架,使用图神经网络建模时间序列的相似度信息,并结合深度学习模型实现时序分类。使用ResNet作为主干网络和Dynamic Time Warping作为相似度度量,在多个数据集上进行了广泛的实验,证明了该方法的有效性。
Jan, 2022
提出了一种新的基于相似度的分类器Proximity Forest 2.0,它通过采用包括计算上更高效的计算相似度方法、新的弹性相似度度量ADTW以及成本函数调优等多种技术,将UCR测试集上的表现超过以往同类型分类器,并在某些需要相似度方法处理的测试集上,甚至超过了其他各类方法。
Apr, 2023
时间序列分类(TSC)一直是数据科学和知识工程中的一项关键且具有挑战性的问题。在过去的二十年里,有关TSC的研究受到了广泛关注,并涌现出许多基于相似度度量、区间、形状、字典、深度学习方法或混合集成方法的最新方法。近年来,人们还设计了几种从时间序列中提取无监督信息摘要统计(即特征)的工具。本文通过对112个时间序列数据集上进行的超过10000次学习实验的结果分析表明,基于特征的方法的性能与当前先进的TSC算法一样准确,因此在TSC文献中应该得到更多的关注。
Aug, 2023
对于时间序列分类中的数据增强技术进行了详细研究,包括对过去十年间超过百篇研究论文中六十种不同数据增强方法的全面评估,并提出了专为时间序列分类设计的创新分类法,同时针对数据特征给出了基于实验结果的准确和实用建议。
Oct, 2023
现实环境具有非平稳性,经常引入新的类别。时间序列分类中尤为常见,例如医疗保健中新的疾病分类的出现或人类活动识别中新活动的添加。因此,需要学习系统能够在有效吸收新类别的同时避免对旧类别的灾难性遗忘,从而产生了类别增量学习(CIL)问题。然而,尽管图像和语言领域取得了令人鼓舞的进展,但对于时间序列数据的CIL仍然相对较少研究。现有的研究在实验设计上存在不一致,需要在广泛的数据集上进行综合评估和基准测试方法。为此,我们首先概述了时间序列类别增量学习(TSCIL)问题,并强调其独特的挑战和先进的方法。此外,基于标准设置,我们开发了一个统一的实验框架,支持新算法的快速开发,新数据集的轻松集成,以及评估过程的标准化。利用该框架,我们在标准和隐私敏感场景下对各种通用和特定于时间序列的CIL方法进行了全面评估。我们广泛的实验不仅为未来的研究提供了标准基线,还揭示了各种设计因素(如归一化层或内存预算阈值)的影响。代码可在此 https URL 上获取。
Feb, 2024
通过使用预训练语言模型,本研究提出了InstructTime,将时间序列分类重塑为学习生成范式,并将任务特定指令和原始时间序列作为多模态输入,通过文本表示标签信息,实现了在时间序列分类中的卓越性能和通用基础模型的潜力。
Mar, 2024
我们提出了一种新颖的多视图方法,将频域和时域特征整合起来,为时间序列分类提供互补的上下文。我们的方法将连续小波变换光谱特征与时间卷积或多层感知器特征融合在一起,并利用Mamba状态空间模型进行高效和可扩展的序列建模,同时引入一种新颖的扫描方案来更好地建模序列关系。在10个标准基准数据集上的实验证明,我们的方法相对于最先进的时间序列分类模型,平均准确率提高了6.45%。
Jun, 2024