FIC-TSC: Learning Time Series Classification with Fisher Information Constraint

要約

時系列データの分析は、経済学、オンライン市場、人間のヘルスケアなど、幅広いアプリケーションにとって非常に重要です。
特に、時系列の分類は、株式市場のさまざまなフェーズをセグメント化し、顧客の行動を予測し、労働者の行動とエンゲージメントレベルを分類する上で不可欠な役割を果たします。
これらの側面は、実際のアプリケーションでの自動意思決定とシステムの最適化の進歩に大きく貢献しています。
ただし、時系列データはトレーニングセットとテストセットの間のドメインシフトに苦しむことが多く、分類パフォーマンスを劇的に劣化させるという大きなコンセンサスがあります。
時系列回帰タスクのドメインシフトの処理における（可逆的）インスタンスの正規化の成功にもかかわらず、分類におけるそのパフォーマンスは不十分です。
この論文では、フィッシャー情報を制約として活用する時系列分類のトレーニングフレームワークである\ textit {fic-tsc}を提案します。
理論的および経験的にこれが効率的かつ効果的なソリューションであり、モデルをより平らな最小値に導くための効率的かつ効果的なソリューションであり、分布シフトの一般化可能性を高めることを示しています。
30 UEA多変量および85 UCR単変量データセットでの方法を厳密に評価します。
私たちの経験的結果は、最近の14の最先端の方法にわたる提案された方法の優位性を示しています。

要約(オリジナル)

Analyzing time series data is crucial to a wide spectrum of applications, including economics, online marketplaces, and human healthcare. In particular, time series classification plays an indispensable role in segmenting different phases in stock markets, predicting customer behavior, and classifying worker actions and engagement levels. These aspects contribute significantly to the advancement of automated decision-making and system optimization in real-world applications. However, there is a large consensus that time series data often suffers from domain shifts between training and test sets, which dramatically degrades the classification performance. Despite the success of (reversible) instance normalization in handling the domain shifts for time series regression tasks, its performance in classification is unsatisfactory. In this paper, we propose \textit{FIC-TSC}, a training framework for time series classification that leverages Fisher information as the constraint. We theoretically and empirically show this is an efficient and effective solution to guide the model converge toward flatter minima, which enhances its generalizability to distribution shifts. We rigorously evaluate our method on 30 UEA multivariate and 85 UCR univariate datasets. Our empirical results demonstrate the superiority of the proposed method over 14 recent state-of-the-art methods.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google