RED CoMETS: An ensemble classifier for symbolically represented multivariate time series

要約

多変量時系列分類は、金融、ヘルスケア、エンジニアリングなどで実際に応用されている急速に成長している研究分野です。
多変量時系列データの分類の複雑さは、その高次元性、時間的依存性、およびさまざまな長さから生じます。
この論文では、これらの課題に対処する、RED CoMETS (Random Enhanced Co-eye for Multivariate Time Series) と呼ばれる新しいアンサンブル分類器を紹介します。
RED CoMETS は、シンボリックに表現された単変量時系列用に特別に設計されたアンサンブル分類器である Co-eye の成功に基づいて構築されており、その機能を多変量データを処理できるように拡張しています。
RED CoMETS のパフォーマンスは、UCR アーカイブのベンチマーク データセットに基づいて評価され、多変量設定で最先端の技術と比較した場合に優れた精度を示します。
特に、「HandMovementDirection」データセットの文献で報告されている最高の精度を達成しています。
さらに、提案された方法は、Co-eye と比較して計算時間を大幅に短縮し、多変量時系列分類にとって効率的かつ効果的な選択肢となります。

要約(オリジナル)

Multivariate time series classification is a rapidly growing research field with practical applications in finance, healthcare, engineering, and more. The complexity of classifying multivariate time series data arises from its high dimensionality, temporal dependencies, and varying lengths. This paper introduces a novel ensemble classifier called RED CoMETS (Random Enhanced Co-eye for Multivariate Time Series), which addresses these challenges. RED CoMETS builds upon the success of Co-eye, an ensemble classifier specifically designed for symbolically represented univariate time series, and extends its capabilities to handle multivariate data. The performance of RED CoMETS is evaluated on benchmark datasets from the UCR archive, where it demonstrates competitive accuracy when compared to state-of-the-art techniques in multivariate settings. Notably, it achieves the highest reported accuracy in the literature for the ‘HandMovementDirection’ dataset. Moreover, the proposed method significantly reduces computation time compared to Co-eye, making it an efficient and effective choice for multivariate time series classification.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google