Event Detection in Time Series: Universal Deep Learning Approach

要約

不均衡なデータセット、まれなイベント、時間間隔で定義されたイベントが蔓延しているため、時系列でのイベント検出は困難なタスクです。
従来の教師あり深層学習手法では主にバイナリ分類が採用されており、各タイム ステップにはイベントの有無を示すバイナリ ラベルが割り当てられます。
ただし、これらの方法では、特定のシナリオを効果的に処理するのが困難です。
これらの制限に対処するために、分類ベースの手法に比べていくつかの利点を提供する、新しい教師あり回帰ベースの深層学習アプローチを提案します。
限られた数のパラメータを使用する私たちのアプローチは、まれなイベントや不均衡なデータセットを含む、統一されたフレームワーク内でさまざまなタイプのイベントを効果的に処理できます。
私たちはその普遍性と精度の理論的根拠を提供し、特に稀なイベントや不均衡なデータセットに対して、さまざまな領域にわたってその優れたパフォーマンスを実証します。

要約(オリジナル)

Event detection in time series is a challenging task due to the prevalence of imbalanced datasets, rare events, and time interval-defined events. Traditional supervised deep learning methods primarily employ binary classification, where each time step is assigned a binary label indicating the presence or absence of an event. However, these methods struggle to handle these specific scenarios effectively. To address these limitations, we propose a novel supervised regression-based deep learning approach that offers several advantages over classification-based methods. Our approach, with a limited number of parameters, can effectively handle various types of events within a unified framework, including rare events and imbalanced datasets. We provide theoretical justifications for its universality and precision and demonstrate its superior performance across diverse domains, particularly for rare events and imbalanced datasets.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google