- 时间序列的早期分类:分类体系和基准
提供了一个早期分类的时间序列问题的评价方法,并通过一系列实验评估了九种现有算法的性能,同时还介绍了一个包含大多数现有算法的开源库。
- 提早分类的交错键值序列数据的表征学习
通过利用密钥相关性和值相关性来学习更好的序列表示,并通过时间感知的终止策略在现有的序列表示下决定何时停止进行密钥 - 值序列,并对同时共享相同密钥的每个个体密钥 - 值序列进行准确且早期的分类,该方法在真实和合成数据集上的实验证明其明显优于 - 多模式识别阿尔茨海默病综述
老年痴呆症是一种以认知障碍和记忆损失为特征的进行性神经障碍。本文旨在探索多种模态及其融合方法,提高早期诊断和干预老年痴呆症的效果。
- 跨通道和时间维度的多元时间序列早期分类
本研究提出了一种更灵活的早期分类流程,将早期分类范例扩展到通道维度,并利用强化学习技术和约束条件来实现此方法,在合成数据上进行实验并在实际数据集上评估其性能,结果表明该方法可以通过实现更精确的分类来增强早期分类范例。
- 早期分类多模态序列
本次试验展示了将现有方法综合运用到多模态序列的早期分类问题中可获得高达 8.7% 的实验性 AUC 优势。
- 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。
- ICML对数和指数的威力:用于速度 - 准确度优化的序列密度比矩阵估计
本文提出了 MSPRT-TANDEM,这是一个用于多类时间序列分类的模型,通过先进、准确的技术帮助进行早期分类,同时引入 DRME 来解决 MSPRT 算法中所必需的密度问题。
- 可解释的序列分类:离散优化方法
本文提出了一种基于有限状态自动机的序列分类器,能够支持更早的分类并具有解释性和强大的实证表现。它具有可比较于 LSTM 的测试性能并具有可解释性的优点。
- 时间序列早期分类的方法和应用:一份综述
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。
- RAPID: 基于深度学习的爆炸式瞬变早期分类
RAPID 是一个用于时间序列分类的深度递归神经网络工具,可自动从初始警报的一天内到完整光度曲线的整个生命周期内识别瞬变现象,并且无需从数据中提取计算量昂贵的特征,因此非常适合处理 ZTF 和 LSST 等广域巡天发现的数百万警报。
- MM基于端到端学习的时间序列早期分类,用于季节性农作物类型映射
本文提出了基于 End-to-End Learned Early Classification of Time Series (ELECTS) 的模型,通过训练远程感知卫星获取的时间序列数据来进行预测并提高农作物分类的准确性和判断速度。该模 - 面向时序分类的预测时间感知深度卷积网络
该论文提出了一种名为 EA-ConvNets 的深度学习框架,能够在学习深层次的形状集合来提取时间序列数据中的显著特征的同时,结合动态截断模型帮助框架专门关注时间序列的早期部分,从而实现高可靠性的时间序列数据早期分类。实验结果显示,该方法不