time series classification | BriefGPT

关键词time series classification

搜索结果 - 101

ADF＆TransApp：基于智能电表消耗序列的电器识别的基于 Transformer 的框架
智能电表数据应用于家庭电器侦测，通过使用消费序列的子序列和基于 Transformer 的时间序列分类器，该方法提出了一种优于现有解决方案的侦测框架。
PDF7 months ago
利用学生创作数据进行教育工具内容验证的分析
本研究通过层次聚类和曲线拟合的方法，对 263 个模型中的 971 个时间序列进行了分类，以展示在生态建模领域中显示内容有效性的通用方法。结果显示，这一方法在测试集中 89.38％的样本曲线上两种分类方法达成了一致，表明我们的内容有效性确定
PDF7 months ago
大规模时间序列数据的快速分类
时间序列分类是时间序列挖掘中最重要的任务之一，本论文介绍了一种以效率为主要目标的新方法，通过简化时间序列的表示和考虑部分值的距离度量，实现对大型时间序列数据集的高效分类。实验结果表明，与其他高效方法相比，该方法不仅平均速度快 4 倍，而且在
PDF7 months ago
Series2Vec: 基于相似性的自我监督时间序列分类表示学习
时间序列分析与视觉或自然语言处理在定义有意义的自监督学习任务方面具有根本的区别。为了解决这个问题，我们引入了一种称为 Series2Vec 的自监督表示学习的创新方法，通过自监督任务在时间和频谱域中对两个序列之间的相似性进行预测，而不是基于
PDF7 months ago
寻找用于时间序列分类的基础模型与预训练任务
该研究旨在解决时间序列分类中的过拟合问题，通过引入预训练的领域基础模型，并使用一种新颖的预训练任务，该任务可跨多个数据集，以产生可应用于不同数据集的灵活卷积滤波器。实验证明，该预训练策略显著优于传统的无预训练方法，并在小数据集上有效减少过拟
PDF7 months ago
使用迭代求和进行时间序列分类的特征提取
基于迭代和的特征提取和线性分类器的时间序列分类流水线，精度和速度在 UCR 存档上与最先进的方法竞争，并且对时间扭曲具有不变性。
PDF7 months ago
ICLR通过多实例学习实现固有可解释的时间序列分类
我们利用多示例学习 (MIL) 提出了一种名为 MILLET 的新框架，将其应用于现有的深度学习时间序列分类模型，展示了如何在不降低 (有时甚至提高) 预测性能的情况下使其具有内在的可解释性。通过在 85 个 UCR 时间序列分类数据集上进
PDF8 months ago
利用数据增强和时频转换进行时间序列分类的小样本学习
通过数据增强进行的少样本学习，结合时间 - 频率领域的转换和随机擦除合成图像生成，提出了一种新颖的少样本学习框架。实验结果表明，该方法能够在两个数据集上分别达到 93.75% 和 95.48% 的 F1 得分以及 93.33% 和 95.5
PDF8 months ago
时间序列数据中的子序列分类的自我网络变换器
我们提出了一种新颖的子序列分类方法，将每个子序列表示为一个自我网络，为模型提供关键的最近邻信息，通过构建时间序列子序列图并强调相邻子序列的时间一致性，在 128 个单变量和 30 个多变量时间序列数据集上实验证明了我们方法的卓越性能，优于其
PDF8 months ago
ICMLXTSC-Bench：时间序列分类模型解释器的定量基准测试
该研究提出了一个标准化基准工具 XTSC-Bench，用于评估解释方法在时间序列分类中的效果，并分析了 3 种扰动方法、6 种梯度方法和 2 种示例方法的表现，发现改善解释器的鲁棒性和可靠性对于多变量数据尤为重要。
PDF8 months ago
时间序列分类的数据增强：一份综合调查
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。
PDF9 months ago
半监督端到端对比学习用于时间序列分类
本文提出了一个称为 SLOTS（半监督学习用于时间分类）的端到端模型，该模型利用无标签样本和少量有标签样本来训练编码器和分类器，并使用无监督对比损失、有监督对比损失和分类损失来优化模型。通过与十种最先进的方法在五个数据集上的比较，实验结果表
PDF9 months ago
基于二维卷积的时间序列数据多任务学习
该研究探讨了多任务学习在时间序列分类问题中的应用，并提出了一种基于二维卷积的模型设计，通过增强模型的表达能力，在 UCR Archive 和一个工业交易时间序列数据集上取得了优于竞争方法的表现。
PDF9 months ago
Detach-ROCKET: 基于随机卷积核的时间序列分类的顺序特征选择
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
PDF9 months ago
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
PDF10 months ago
MCNS: 基于新颖内部因果性方案的时间序列中挖掘因果自然结构
提出 Mining Causal Natural Structure (MCNS) 框架，通过内部因果关系方案在时间序列中发现因果关系结构，进而改善神经网络的性能，在时间序列分类任务中通过改进注意力机制、形状选择分类和修剪数据集等方式提高网
PDF10 months ago
SWAP: 時序上對第二高分數利用的對抗攻擊
时间序列分类是各个领域中的一个关键任务，深度神经模型在时间序列分类任务中展现出了卓越的性能。然而，这些模型容易受到对抗性攻击的影响，我们提出了一种名为 SWAP 的全新攻击方法，该方法能够提高次优预测的置信度，并通过最小化 Kullback
PDF10 months ago
基于机器学习的多元时间序列分类在工厂环境中的定位
使用运动和环境传感器的基于机器学习的室内定位系统，在关注隐私的工厂环境中实现对移动实体的定位，通过多元时间序列分类进行问题建模，并比较分析不同的机器学习模型的准确性、内存使用和推理速度。结果表明，评估的所有模型均能实现超过 80％的准确性；
PDF10 months ago
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
PDFa year ago
时间序列分类的自动特征工程：评估与讨论
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
PDFa year ago