Convolutional and Deep Learning based techniques for Time Series Ordinal Classification

要約

時系列分類 (TSC) は教師あり学習問題をカバーします。この問題では、入力データが時間の経過に伴う繰り返し測定によって観察された一連の値の形式で提供され、その目的はそれらが属するカテゴリを予測することです。
クラス値が序数である場合、これを考慮した分類器は名目上の分類器よりも優れたパフォーマンスを発揮できます。
時系列順序分類 (TSOC) は、このギャップをカバーする分野ですが、文献ではまだ調査されていません。
順序付けされたラベル構造を示す時系列問題は広範囲に渡って存在しますが、順序関係を無視する TSC 手法では有用な情報が破棄されます。
したがって、このホワイトペーパーでは、ターゲットラベルの順序を利用して現在の最先端の TSC のパフォーマンスを向上させる、TSOC 方法論の最初のベンチマークを示します。
畳み込み学習ベースの方法論と深層学習ベースの方法論の両方 (公称 TSC で最もパフォーマンスの高い代替手段の 1 つ) が TSOC に適応されています。
実験のために、2 つのよく知られたアーカイブから 29 個の順序問題が選択されました。
このようにして、本論文は TSOC における最先端技術の確立に貢献するものである。
通常のバージョンによって得られた結果は、通常のパフォーマンス指標の点で現在の公称 TSC 技術よりも大幅に優れていることがわかり、この種の問題を扱うときにラベルの順序を考慮することの重要性を概説しています。

要約(オリジナル)

Time Series Classification (TSC) covers the supervised learning problem where input data is provided in the form of series of values observed through repeated measurements over time, and whose objective is to predict the category to which they belong. When the class values are ordinal, classifiers that take this into account can perform better than nominal classifiers. Time Series Ordinal Classification (TSOC) is the field covering this gap, yet unexplored in the literature. There are a wide range of time series problems showing an ordered label structure, and TSC techniques that ignore the order relationship discard useful information. Hence, this paper presents a first benchmarking of TSOC methodologies, exploiting the ordering of the target labels to boost the performance of current TSC state-of-the-art. Both convolutional- and deep learning-based methodologies (among the best performing alternatives for nominal TSC) are adapted for TSOC. For the experiments, a selection of 29 ordinal problems from two well-known archives has been made. In this way, this paper contributes to the establishment of the state-of-the-art in TSOC. The results obtained by ordinal versions are found to be significantly better than current nominal TSC techniques in terms of ordinal performance metrics, outlining the importance of considering the ordering of the labels when dealing with this kind of problems.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google