Multivariate Time Series Early Classification Across Channel and Time Dimensions

要約

現在、現実世界の分類問題に対処するために、エッジ デバイスにディープ ラーニング モデルを導入することがますます普及してきています。
さらに、初期分類のアプローチの人気が高まっています。これは、エッジ インテリジェンス環境で重要なパラメーターである通信および計算要件の削減を目的として、入力データの初期部分のみを観察した後に分類する手法です。
時系列解析の分野における初期分類は広く研究されていますが、多変量時系列問題に対する既存のソリューションは主に、時間次元に沿った初期分類に焦点を当てており、複数の入力チャネルを集合的な方法で処理します。
この研究では、入力チャネルをより詳細に考慮し、初期分類パラダイムをチャネル次元に拡張する、より柔軟な早期分類パイプラインを提案します。
この方法を実装するには、強化学習技術を利用し、目的の実現可能性と実用性を確保するための制約を導入します。
その有効性を検証するために、合成データを使用した実験を実施し、実際のデータセットでのパフォーマンスも評価します。
私たちの実験から得られた包括的な結果は、複数のデータセットに対して、私たちの方法が等しい入力利用率で精度の向上を達成することにより、初期の分類パラダイムを強化できることを示しています。

要約(オリジナル)

Nowadays, the deployment of deep learning models on edge devices for addressing real-world classification problems is becoming more prevalent. Moreover, there is a growing popularity in the approach of early classification, a technique that involves classifying the input data after observing only an early portion of it, aiming to achieve reduced communication and computation requirements, which are crucial parameters in edge intelligence environments. While early classification in the field of time series analysis has been broadly researched, existing solutions for multivariate time series problems primarily focus on early classification along the temporal dimension, treating the multiple input channels in a collective manner. In this study, we propose a more flexible early classification pipeline that offers a more granular consideration of input channels and extends the early classification paradigm to the channel dimension. To implement this method, we utilize reinforcement learning techniques and introduce constraints to ensure the feasibility and practicality of our objective. To validate its effectiveness, we conduct experiments using synthetic data and we also evaluate its performance on real datasets. The comprehensive results from our experiments demonstrate that, for multiple datasets, our method can enhance the early classification paradigm by achieving improved accuracy for equal input utilization.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google