Never a Dull Moment: Distributional Properties as a Baseline for Time-Series Classification

要約

タイトル：時間系列分類の基準としての分布特性　Never a Dull Moment

要約：今日では、複雑なアルゴリズムによる時間系列分類問題の取り組みは急速に進歩しており、洗練されたが理解することが難しい深層学習ベースの方法も開発されています。ただ、これらの複雑なアルゴリズムがある問題に対してどのような性能が得られるのかを解析するには、よりシンプルなアルゴリズムと比較する必要があります。本研究では、データの順序を無視する2つのシンプルな特徴（時間系列値の平均値と標準偏差）の空間における線形分類器を使用した、非常にシンプルな分類アプローチの性能を評価しています。128個の単変量時間系列分類問題の大規模リポジトリ上では、この簡単な分布モーメントベースのアプローチは69問題で偶然の勝ちを上回り、2つの問題で100％の精度に到達しました。ニューロイメージングの時間系列の事例研究では、平均値と標準偏差に基づく単純な線形モデルは、時間系列の動力学的特徴を追加するモデルよりも、統合失調症を持つ個人を分類するのに優れた性能を発揮しました。時間系列分類モデルの性能を解釈するために、複雑なモデルで高い精度を得る必要は常にないことを示すために、時間系列の単純な分布特徴を比較することが重要です。

– 複雑なアルゴリズムによる時間系列の分類問題へのシンプルな方法の適用が考慮される。
– 与えられた問題に対して高いパフォーマンスを得るには複雑なアルゴリズムが必要とされるとは限らない。
– 128の単変量時間系列の分類問題に対して、シンプルな分布モーメントベースのアプローチは69問題で偶然の勝ちを上回り、2つの問題で100％の精度に到達した。
– ニューロイメージングの時間系列の事例研究では、平均値と標準偏差に基づく単純な線形モデルは、時間系列の動力学的特徴を追加するモデルよりも、統合失調症を持つ個人を分類するのに優れた性能を発揮した。
– 複雑なモデルで高い精度を得る必要は常にないため、時間系列の単純な分布特徴を比較することが重要。

要約(オリジナル)

The variety of complex algorithmic approaches for tackling time-series classification problems has grown considerably over the past decades, including the development of sophisticated but challenging-to-interpret deep-learning-based methods. But without comparison to simpler methods it can be difficult to determine when such complexity is required to obtain strong performance on a given problem. Here we evaluate the performance of an extremely simple classification approach — a linear classifier in the space of two simple features that ignore the sequential ordering of the data: the mean and standard deviation of time-series values. Across a large repository of 128 univariate time-series classification problems, this simple distributional moment-based approach outperformed chance on 69 problems, and reached 100% accuracy on two problems. With a neuroimaging time-series case study, we find that a simple linear model based on the mean and standard deviation performs better at classifying individuals with schizophrenia than a model that additionally includes features of the time-series dynamics. Comparing the performance of simple distributional features of a time series provides important context for interpreting the performance of complex time-series classification models, which may not always be required to obtain high accuracy.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI