Early Classification for Agricultural Monitoring from Satellite Time Series
Technical University of Munich（慕尼黑工业大学）；Institut de Recherche en Informatique et Systèmes Aléatoires (IRISA)（信息与随机系统研究所）；LETG-Rennes（雷恩地球与环境科学实验室）；Université de Bretagne Sud（南布列塔尼大学）
在这项工作中，我们介绍了一个最近开发的早期分类机制，以卫星为基础的农业监测。它通过基于先前看到的信息的额外停止概率来增强现有的分类模型。该机制是端到端可训练的，并且仅从观察到的卫星数据得出其停止决策。我们在欧洲中部的实地包裹，有足够的地面实况数据可用于经验评估的结果与当地的物候信息从当局。我们观察到，配备了这种早期分类机制的递归神经网络能够在营养期结束之前区分许多作物类型。此外，我们将这些停止时间与评估的地面实况信息相关联，并看到分类时间与观察到的植物物候的特征事件相关。
2019-08-27 cs.LG stat.ML
Early Time-Series Classification Algorithms: An Empirical Comparison
Institute of Informatics and Telecommunications, NCSR ‘Demokritos’（“德谟克利特”国家科学研究中心信息与电信研究所）
早期时间序列分类（ETSC）是通过观察尽可能少的测量来预测输入时间序列的类别的任务。这种方法可以用于在许多时间关键的应用中获得分类预测。然而，可用的技术并不同样适用于每个问题，因为数据特征的差异可能会影响算法在早期性，准确性，F1分数和训练时间方面的性能。我们评估了现有的六个ETSC算法的公开数据，以及两个新引入的数据集来自生命科学和海洋领域。我们的目标是提供一个框架，ETSC算法的评估和比较，并获得直觉，这些方法如何在现实生活中的应用程序。所提出的框架也可以作为新的相关技术的基准。
2022-03-03 cs.AI cs.LG stat.ML
TiSAT: Time Series Anomaly Transformer
University of South Florida（南佛罗里达大学）
虽然时间序列中的异常检测已经是一个活跃的研究领域了好几年，但最近的方法采用了一个不充分的评估标准，导致F1分数膨胀。我们表明，一个基本的随机猜测方法可以优于国家的最先进的检测器在这个流行的，但错误的评价标准。在这项工作中，我们提出了一个适当的评价指标，衡量检测序列异常的及时性和精度。此外，大多数现有的方法无法从长序列中捕获时间特征。基于自注意力的方法，如Transformers，已被证明在捕获远程依赖关系方面特别有效，同时在训练和推理期间具有计算效率。我们还提出了一个有效的Transformer方法在时间序列中的异常检测，并广泛评估我们提出的方法在几个流行的基准数据集。
2022-03-10 cs.LG eess.SP stat.ML
Topological Detection of Hopf Bifurcations via Persistent Homology: A Functional Criterion from Time Series
University of Minho（米尼奥大学）；Universidad del Atlántico（大西洋大学）
本文提出基于持续同调的时间序列霍普夫分岔检测方法，通过一维同调特征的出现或消失构建可计算准则，无需了解底层方程即可识别临界参数。
2026-08-24 math.AT math.DS stat.ML
A Stationarity-and-Coupling Criterion for Training-Free Time-Lagged Spectral Embeddings of Multivariate Time Series
University of California, Berkeley（加州大学伯克利分校）
提出基于时滞相关矩阵截断的固定长度描述符D(τ)，通过平稳高斯VAR(1)模型推导其适用条件：信号近似平稳且类别信息存在于跨通道时间耦合而非边际功率。
2026-06-15 cs.LG eess.SP stat.ML
Efficient and Consistent Data-Driven Model Selection for Time Series
本文研究了一类因果时间序列模型的模型选择问题，这类模型既包括ARMA或AR（$\infty$）过程，也包括GARCH或GARCH（$\infty$）、APARCH、ARMA-GARCH等过程。我们首先研究了在包含真模型的有限族模型中，使拟似然估计引起的风险最小化的理想罚函数的渐近行为。然后，我们提供了一般条件的惩罚项获得的一致性和有效性。我们特别证明了相容模型选择准则在效率方面优于经典AIC准则。最后，我们从贝叶斯方法中导出了通常的BIC准则，并通过保留拉普拉斯近似的所有二阶项，导出了表示为KC '的数据驱动准则。Monte-Carlo实验表明KC准则在一致性和效率方面优于AIC准则和BIC准则。
2021-10-19 math.ST stat.TH
A multivariate extension of the Misspecification-Resistant Information Criterion
提出了一种抗误指定信息准则（MRIC），L.徐角，越-地K. Ing，H. Tong：关于从有限族可能错误指定的时间序列模型中选择模型。统计年鉴。47（2），1061--1087（2019）]是一种单变量参数时间序列的模型选择准则，同时具有一致性和渐近有效性。在这篇文章中，我们扩展MRIC的情况下，响应是一个多元时间序列和预测是单变量。扩展需要新的推导基于随机矩阵理论。我们得到了均方预测误差矩阵向量MRIC的渐近表达式，并证明了其矩估计方法的相合性。此外，我们证明了它的渐近有效性。最后，我们通过一个例子表明，在存在错误指定的情况下，向量MRIC识别最佳预测模型，而传统的信息标准，如AIC或BIC，未能实现任务。
2022-02-18 econ.EM math.ST stat.ME
Revisiting Inaccuracies of Time Series Averaging under Dynamic Time Warping
Technische Universität Berlin（柏林工业大学）
本文回顾了\cite{Niennattrakul2007}对动态时间弯曲下时间序列平均误差的分析。作者提出了一个正确的标准，并介绍了漂移的平均值从集群。他们声称，如果平均值不正确或漂移，那么平均值就是不准确的。此外，他们还指出，这种不准确性是由于缺乏三角不等式造成的。我们表明，纠正版本的正确性标准是不可满足的，漂移的概念是几何和操作不确定的。满足三角不等式不足以达到正确性，也不需要克服漂移现象。我们将漂移的概念置于原则性的基础上，并表明作为Fréchet函数的全局最小值的样本均值永远不会漂移。调整后的漂移是一种测试近似一致程度的方法。实证结果表明，解决方案获得的国家的最先进的方法SSG和DBA是不相干的近似样本均值在超过三分之一的所有试验。
2018-09-07 cs.AI cs.LG stat.ML
Bridging AIC and BIC: a new criterion for autoregression
School of Engineering and Applied Sciences, Harvard University（哈佛大学生物工程与应用科学学院）；School of Statistics, University of Minnesota（明尼苏达大学统计学院）
本文提出一种新的准则，结合AIC和BIC的优点，用于确定时间序列自回归模型的阶数，适应不同真实模型需求。
2016-08-24 econ.GN math.ST q-fin.EC
Analytical Determination of Fractal Structure in Stochastic Time Series
Laboratoire de Psychologie Cognitive ( UMR --6146) CNRS \& Aix--Marseille Universit\'e I, Marseille, France
本文提出了一种基于贝叶斯评估的分析框架，用于客观准确地推断时间序列的分形结构，同时推导出一种优于现有方法的Hurst指数最大似然估计器。
2009-11-12 cond-mat.stat-mech cs.LG nlin.CD
Multivariate Time-series Similarity Assessment via Unsupervised Representation Learning and Stratified Locality Sensitive Hashing: Application to Early Acute Hypotensive Episode Detection
Rochester Institute of Technology（罗切斯特理工学院）；Massachusetts Institute of Technology（麻省理工学院）；Philips Research North America（飞利浦北美研究院）
及时预测重症监护室（ICU）中的临床危重事件对提高护理水平和生存率具有重要意义。大多数现有的方法都是基于对从生命信号中明确提取的统计特征的各种分类方法的应用。在这项工作中，我们建议消除高成本的工程手工制作的功能，从多变量时间序列的生理信号，通过学习他们的表示与序列到序列的自动编码器。然后，我们建议对学习到的表示进行散列，以使信号相似性评估能够预测关键事件。我们应用这种方法框架来预测急性低血压性脑卒中（AHE）的生命信号记录的大型和多样化的数据集。实验证明了所提出的框架在准确预测即将到来的AHE的能力。
2018-12-04 cs.AI cs.CV stat.ML
Inference of stochastic time series with missing data
从时间序列中推断动态是数据分析的一个重要目标。特别是，它是具有挑战性的推断随机动态给定不完整的数据。我们提出了一个期望最大化（EM）算法，交替两个步骤之间迭代：E-步骤恢复丢失的数据点，而M-步骤推断恢复数据的底层网络模型。使用合成动力学伊辛模型产生的数据，我们确认，该算法的工程恢复丢失的数据点，以及推断的基础模型。在EM算法的初始迭代中，模型推断与观测数据点相比与缺失数据点显示出更好的模型-数据一致性。然而，随着我们不断迭代，缺失的数据点显示出更好的模型数据一致性。我们发现，要求观察到的数据点和缺失的数据点的一致性相等，这为迭代提供了一个有效的停止标准，以防止超过最准确的模型推断。有了这个EM算法和这个停止标准，我们从真实神经元活动的时间序列数据中推断出缺失的数据点和底层网络。我们的方法恢复了神经元活动的集体属性，例如时间相关性和放电统计，这些属性以前从未被优化过。
2021-07-16 physics.data-an stat.ML
Bayesian identification of early warning signals for long-range dependent climatic time series
UiT The Arctic University of Norway（挪威北极大学）
本文提出了一种贝叶斯方法，用于检测长期依赖气候时间序列中的早期预警信号，通过分析自相关和方差的变化，评估其在真实数据中的有效性。
2026-02-10 stat.ME
Testing for Serial Independence via Auto Hilbert-Schmidt Independence Criterion
Department of Statistics and Data Science, School of Economics, Xiamen University（厦门大学经济学院统计与数据科学系）；Department of Statistical Sciences, University of Toronto（多伦多大学统计科学系）
本文提出了一种基于自适应希尔伯特-施密特独立准则（AutoHSIC）的框架，用于检验严格平稳时间序列中的序列独立性。该方法通过测量观测值与其滞后值之间的依赖性，提供了一种基于核的方法来检测非线性序列依赖性，并通过自适应统计量和野 bootstrap 方法进行检验。
2026-05-21 stat.ME
The Information Criterion GIC of Trend and Seasonal Adjustment Models
本文提出了一种计算非平稳状态空间模型的GIC和TIC的算法。通过扩展卡尔曼滤波器得到差分滤波器，得到计算GIC所需的对数似然函数的梯度和Hessian。非平稳时间序列模型的三个示例，即，提出了趋势模型、标准季节调整模型和具有平稳AR分量的季节调整模型，并举例说明了结构矩阵的确定。
2022-09-21 stat.ME
Multiple Change Point Analysis: Fast Implementation And Strong Consistency
识别随机过程结构变化的主要挑战之一是以计算上易于处理的方式对具有依赖结构的时间序列进行分析。另一个挑战是，真实变化点的数量通常是未知的，需要一个合适的模型选择标准来得出信息丰富的结论。为了解决第一个挑战，我们将数据生成过程建模为分段自回归，它由几个段（时间段）组成，每个段都由自回归模型建模。我们提出了一个多窗口的方法，是有效的和高效的发现结构的变化。该方法的动机是通过将分段自回归转换为多变量时间序列，这是渐近分段独立和同分布。为了解决第二个挑战，我们获得理论保证（几乎肯定）选择真正的分段独立的多变量时间序列的变化点的数量。具体而言，在温和的假设下，我们表明，贝叶斯信息准则（BIC）的标准给出了一个强一致的选择的最佳数量的变化点，而赤池信息准则（AIC）的标准不能。最后，我们通过对合成数据和真实数据的实验，包括1854年至2015年的美国东部温度数据和厄尔尼诺数据，证明了所提出算法的理论和强度。该实验导致了一些有趣的发现，关于美国东部夏季温度的时间变化，以及海洋对气候影响的最主要因素。
2016-06-24 stat.ME
Consistent model selection procedure for general integer-valued time series
本文研究了一类整数值时间序列的模型选择问题。我们提出了一个惩罚标准的基础上的泊松拟似然模型。在一定的正则性条件下，证明了该方法的相合性以及所选模型的Poisson拟似然估计的相合性和渐近正态性.对泊松模型、二进制随机数模型、负二项模型等经典非线性动态模型进行了仿真实验。此外，提供了一个应用到一个真实的数据集。
2020-02-20 math.ST stat.TH
Tipping point analysis of electrical resistance data with early warning signals of failure for predictive maintenance
我们将临界点分析应用于汽车或航空行业应用中常用的电子元件的测量，并根据电阻时间序列的缩放特性展示预警信号。该分析利用统计物理框架与随机建模，通过将测量的时间序列表示为从测量估计的确定性和随机性分量的组成。早期预警信号的观察比那些从传统技术，如基于阈值的故障检测，或在威布尔故障分析中使用的批量估计。所介绍的技术可能是有用的电力电子设备的预测性维护，与工业应用。我们建议，这种方法可以应用到各种电力系统和能源应用中的电磁测量。
2020-07-28 physics.data-an physics.soc-ph stat.AP
Rollage: Efficient Rolling Average Algorithm to Estimate ARMA Models for Big Time Series Data
本文提出了一种新的有效算法，用于分析大规模时间序列数据。我们首先定义了滚动平均数，推导了它们的分析性质，并建立了它们的渐近分布。这些理论结果随后被利用开发一个有效的算法，称为滚动，适合一个适当的AR模型大时间序列数据。当与Durbin算法结合使用时，我们表明，Rollage算法可以作为一个标准，以最佳拟合ARMA模型大时间序列数据。大规模的合成时间序列数据的实证实验支持的理论结果，并揭示了这种新方法的有效性，特别是当与现有的方法相比。
2022-12-23 stat.CO stat.ME
A diagnostic criterion for approximate factor structure
我们建立了一个简单的诊断标准，在大型横截面公平数据集的近似因子结构。给定一个具有可观测因子的资产收益模型，该准则检查误差项是否具有弱横截面相关性或至少有一个不可观测的公共因子。它只需要计算一个大的不平衡面板的残差的经验横截面协方差矩阵的最大特征值。这个准则的一般版本允许我们确定省略的公因子的数量。面板数据模型同时包含时不变和时变因子结构。该理论适用于大截面和时间序列维度下具有交互固定效应的随机系数面板模型。实证分析运行在1968年1月至2011年12月的约一万只美国股票的月度和季度回报率，几个时不变和时变的规格。对于月收益率，我们可以选择至少包含四个金融因子的时不变规范，或者是缩放的三因子规范。对于季度收益率，我们不能选择没有市场因素的宏观经济模型。
2017-08-07 q-fin.ST stat.ME
Minimum Message Length Autoregressive Moving Average Model Order Selection
本文推导了自回归滑动平均（ARMA）时间序列模型选择的最小信息长度（MML）准则。MML87在ARMA模型上的性能与其他著名的模型选择标准，Akaike信息准则（AIC），校正AIC（AICc），贝叶斯信息准则（BIC）和Hannan Quinn（HQ）进行了比较。实验结果表明，MML87优于其他模型选择标准，因为它选择了大多数具有较低预测误差的模型，并且MML87选择的模型在不同的样本内和样本外大小下具有较低的均方误差。
2022-03-01 cs.IT math.IT math.PR
Strong consistent model selection for general causal time series
本文研究了一类因果时间序列模型的强相容性问题，包括AR（$\infty$），ARMA（$\infty$），TMAMA（$\infty$），ARMA-GMAMA以及许多经典的其它过程.我们提出了一个惩罚标准的基础上拟似然模型。我们提供了充分条件，确保强一致性的建议程序。所选模型参数的估计量也服从重对数重对数律。看来，与Bardet { \it et al.} \cite{Bardet2020}，不需要正则化参数和模型结构之间的依赖性。
2020-08-20 math.ST stat.TH
Early Stopping Based on Repeated Significance
Yahoo!（雅虎公司）
本文针对多标准分桶测试中早停决策对p值要求过严的问题，提出在多个决策点上要求标准均取得成功的方法，以在保持统计置信度的同时缓解严格的显著性要求。
2024-08-01 cs.LG stat.ME
Intersection of Parallels as an Early Stopping Criterion
University of Amsterdam（阿姆斯特丹大学）；Google Brain（谷歌大脑）
在监督学习中避免过拟合的一种常见方法是提前停止，其中在训练期间使用保留集进行迭代评估，以找到训练步骤数量中的最佳点，从而提供最大的泛化能力。然而，这样的方法需要不相交的验证集，因此来自训练集的部分标记数据通常被省略用于此目的，这在训练数据稀缺时是不理想的。此外，当训练标签有噪声时，模型在验证集上的性能可能不是泛化的准确代理。在本文中，我们提出了一种方法，在训练迭代中发现早期停止点，而不需要验证集。我们首先证明了在过参数化的制度中，线性模型的随机初始化权重在训练过程中收敛到同一方向。利用这一结果，我们提出训练线性模型的两个并行实例，用不同的随机种子初始化，并使用它们的交集作为信号来检测过拟合。为了检测交集，我们在训练迭代期间使用并行模型的权重之间的余弦距离。注意到NN的最后一层是前最后一层激活到输出logits的线性映射，我们建立在我们的线性模型标准的基础上，并使用反事实权重的新概念提出了对多层网络的扩展。我们在两个领域进行实验，早期停止对防止NN的过拟合有明显的影响：（i）从嘈杂的标签中学习;（ii）在IR中学习排序。我们在四个广泛使用的数据集上的实验证实了我们的方法的泛化效果。对于广泛的学习率，我们的方法，称为余弦距离准则（CDC），导致更好的泛化平均比所有的方法，我们比较，在几乎所有的测试情况下。
2022-08-19 cs.LG
DeepAISE -- An End-to-End Development and Deployment of a Recurrent Neural Survival Model for Early Prediction of Sepsis
Georgia Institute of Technology（佐治亚理工学院）；Emory University School of Medicine（埃默里大学医学院）；University of California San Diego Health（加州大学圣地亚哥分校健康中心）
脓毒症是一种免疫系统对感染的失调反应，是重症监护病房（ICU）发病率、死亡率和费用超支的主要原因之一。脓毒症的早期预测可以提高临床医生的情境意识，并促进及时的保护性干预。虽然预测分析在ICU患者中的应用已经显示出早期有希望的结果，但大部分工作都受到高误报率的阻碍。提高特异性的努力受到几个因素的限制，最明显的是标记败血症发作时间的困难和ICU中败血症事件的低患病率。在这里，我们提出了DeepAISE（深度人工智能脓毒症专家），这是一种用于脓毒症早期预测的循环神经存活模型。我们表明，通过将定义脓毒症发作时间的临床标准与治疗策略（例如，在满足标准的一小时内开始使用抗生素），可以通过离线策略评估对各种标准的相对效用进行排名。在给定最佳标准的情况下，DeepAISE自动学习与临床风险因素之间的高阶相互作用和时间模式相关的预测特征，从而最大限度地提高观察到的脓毒症事件时间的数据可能性。DeepAISE已被纳入临床工作流程，提供实时的每小时脓毒症风险评分。四个基线模型的比较研究表明，DeepAISE在两个单独的队列（分别为内部和外部）中产生最准确的预测（AUC=0.90和0.87）和最低的误报率（FAR=0.20和0.26），同时产生临床时间序列和风险因素的可解释表示。
2019-08-10 cs.LG stat.ML
Concurrence: A dependence criterion for time series, applied to biological data
The Children’s Hospital of Philadelphia（费城儿童医院）；University of Pennsylvania（宾夕法尼亚大学）
本文提出一种基于时间序列分类器区分对齐与错位段的关联性准则，用于揭示生物数据中的复杂非线性关系，无需先验知识或大量数据。
2026-04-22 cs.LG eess.SP
Early Classification of Time Series is Meaningful
AgroParisTech（巴黎高科农业学院）；INRAe（法国国家农业、食品与环境研究院）；Université Paris-Saclay（巴黎萨克雷大学）；Orange Labs（Orange实验室）
鉴于时间序列在医疗、交通和金融等广泛应用中的重要性，已经提出了许多方法用于时间序列的早期分类。然而，最近保存在Arxiv上的预印本声称，近20年来对时间序列早期分类的所有研究都是无用的，或者至少是方向不明确的，因为严重缺乏坚实的基础。本文详细回答了作者提出的主要问题和误解，并提出了进一步拓展时间序列早期分类应用领域的方向。
2021-04-30 cs.LG
Earliness-Aware Deep Convolutional Networks for Early Time Series Classification
Duke University（杜克大学）；Purdue University（普渡大学）；IIT Kanpur（印度理工学院坎普尔分校）
我们提出了Earliness-Aware Deep Convolutional Networks（EA-ConvNets），这是一个端到端的深度学习框架，用于时间序列数据的早期分类。与大多数现有的时间序列数据早期分类方法不同，这些方法旨在解决这个问题，前提是假设有一组良好的预定义的（通常是手工制作的）功能，我们的框架可以联合执行功能学习（通过学习捕获每个时间序列中的显著特征的\emph{shapelets}的深层次），以及动态截断模型，以帮助我们的深度特征学习架构专注于每个时间序列的早期部分。因此，我们的框架能够做出高度可靠的早期预测，优于各种最先进的早期时间序列分类方法，同时与使用\emph{fully observed}时间序列数据的最先进的时间序列分类算法相比也具有竞争力。据我们所知，该框架是第一个在时间序列数据的早期分类背景下执行数据驱动（深度）特征学习的框架。我们在几个基准数据集上进行了一组全面的实验，结果表明，我们的方法比为早期时间序列分类设计的各种最先进的方法产生了更好的预测。除了获得高精度外，我们的实验还表明，学习到的基于深度形状的特征也具有高度的可解释性，可以帮助更好地理解时间序列数据的潜在特征。
2016-11-14 cs.LG
Stop&Hop: Early Classification of Irregular Time Series
Massachusetts Institute of Technology（麻省理工学院）；Worcester Polytechnic Institute（伍斯特理工学院）
早期的分类算法可以帮助用户更快地对机器学习模型的预测做出反应。例如，医院的早期预警系统可以让临床医生通过准确预测感染来改善患者的预后。虽然早期的分类系统正在迅速发展，但仍然存在一个重大差距：现有系统不考虑不规则的时间序列，这些时间序列在其观测之间存在不均匀且往往很长的差距。众所周知，此类系列在医疗保健等有影响力的领域非常普遍。我们弥合了这一差距，并研究不规则时间序列的早期分类，这是早期分类器的一个新设置，为更多现实世界的问题打开了大门。我们的解决方案Stop&Hop使用连续时间递归网络来实时的建模正在进行的不规则时间序列，而通过强化学习训练的不规则感知停止策略可以预测何时停止并对流式序列进行分类。通过采用实值步长，停止策略灵活地决定何时实时的停止正在进行的序列。通过这种方式，Stop&Hop无缝集成了观测时间中包含的信息，这是这种设置中早期分类的一个新的重要来源，具有时间序列值，为不规则时间序列提供早期分类。使用四个合成数据集和三个真实世界的数据集，我们证明了Stop&Hop始终比适应这个新问题的最先进的替代方案更早，更准确的预测。我们的代码可在https://github.com/thartvigsen/StopAndHop上公开获取。
2022-08-21 cs.LG
Don't stop me now: How Validation Criteria Affect Checkpoint Selection and Early Stopping
University of Naples Federico II（那不勒斯费德里科二世大学）；University of Salerno（萨莱诺大学）
本文研究了模型参数选择中验证标准的影响，发现基于损失的验证比基于准确率的更稳定，建议避免使用早停策略选择参数。
2026-09-29 cs.AI cs.LG
When is Early Classification of Time Series Meaningful?
University of California Riverside（加州大学河滨分校）
自二十年前提出以来，人们对时间序列的早期分类问题越来越感兴趣。这个问题将经典的时间序列分类推广到只看到目标模式的一些前缀后，我们是否可以以足够的准确度和置信度对时间序列子序列进行分类。这样做的想法是，较早的分类将使我们能够在一个有可能进行一些实际干预的领域立即采取行动。例如，这种干预可能是发出警报或在汽车中应用刹车。在这项工作中，我们提出了一个令人惊讶的主张。尽管有几十篇关于时间序列早期分类的论文，但尚不清楚它们中的任何一篇是否能在现实世界中发挥作用。问题不在于算法本身，而在于模糊和不明确的问题描述。基本上，所有算法都对问题做出了隐含的和毫无根据的假设，这将确保它们会受到假阳性和假阴性的困扰，即使它们的结果表明它们可以获得近乎完美的结果。我们将用新的见解和实验解释我们的发现，并向社区提供建议。
2022-09-03 cs.LG
Multivariate Time Series Early Classification Across Channel and Time Dimensions
Vrije Universiteit Amsterdam（阿姆斯特丹自由大学）
针对多变量时间序列早期分类仅关注时间维度的问题，提出一种利用强化学习并引入约束的灵活流水线，将早期分类范式扩展至通道维度，在同等输入利用率下提升了准确率。
2023-06-26 cs.AI cs.LG
GDformer: Going Beyond Subsequence Isolation for Multivariate Time Series Anomaly Detection
The Hong Kong University of Science and Technology (Guangzhou)（香港科学与技术大学（广州））；China Mobile (Jiangxi) Virtual Reality Technology Co., Ltd.（中国移动（江西）虚拟现实技术有限公司）；Salesforce AI Research（Salesforce AI研究）；Institute of Computing Technology, Chinese Academy of Sciences（中国科学院计算技术研究所）
提出全局字典增强Transformer（GDformer），通过基于字典的交叉注意力机制学习整个序列中所有正常点的全局表示，并利用原型捕获正常点-全局相关权重分布，实现基于表示相似性的统一检测准则，在五个基准数据集上达到最先进性能。
2026-05-24 cs.LG
Classifiers With a Reject Option for Early Time-Series Classification
University of California（加利福尼亚大学）；Babes-Bolyai University（巴贝什-博利亚伊大学）
动态环境下时间序列数据的早期分类是信号处理中一个具有挑战性的重要问题。本文提出了一种具有拒绝选项的分类器架构，能够在线决策，而无需等待整个时间序列信号。其主要思想是尽可能早地以可接受的精度对气味/气体信号进行分类。该方法不使用分类器的后验概率，而是使用集合的“一致性”来决定是否接受或拒绝候选标签。将该算法应用于气味分类的生化问题，构建了一种新的电子鼻--Forefront-Nose。风洞实验台上的实验结果证实了鲁棒性的前鼻相比，标准分类器从早期和识别的角度。
2013-12-14 cs.CV cs.LG
Integrating Physiological Time Series and Clinical Notes with Transformer for Early Prediction of Sepsis
UC, Davis Health（加州大学戴维斯健康中心）；University of California, Santa Barbara（加州大学圣巴巴拉分校）
脓毒症是重症监护病房（ICU）的主要死亡原因。脓毒症的早期检测对患者的生存至关重要。在本文中，我们提出了一个多模式Transformer模型，用于早期脓毒症预测，使用生理时间序列数据和临床笔记，为每个病人在ICU入院$36$小时。具体而言，我们的目标是仅使用前12，18，24，30和36小时的实验室测量，生命体征，患者人口统计学和临床记录来预测脓毒症。我们在两个大型重症监护数据集上评估了我们的模型：MIMIC-III和eICU-CRD。所提出的方法与六个基线进行了比较。此外，进行消融分析和病例研究，以研究模型的每个单独组件的影响和每个数据模态对早期脓毒症预测的贡献。实验结果表明，我们的方法的有效性，它优于竞争基线的所有指标。
2022-03-28 cs.AI cs.LG
Early Classification of Time Series: A Survey and Benchmark
Orange Research（Orange研究）
本文针对时间序列早期分类（ECTS）领域缺乏统一评估基准的问题，梳理了解耦决策与预测组件的ECTS方法分类，开展9种SOTA算法的大规模对比实验，并开源集成相关算法的工具库。
2025-11-17 cs.LG
Alert: Learning Trigger Functions for Early Classification of Time Series using Deep-RL
Orange Innovation（奥兰治创新中心）；AgroParisTech（巴黎农艺学院）
针对时间序列早期分类的触发函数优化问题，提出Deep-RL框架Alert及变体Alert+，经30个数据集验证，Alert+在平衡准确率与延迟上优于传统方法，已发布支持研究与应用。
2026-09-01 cs.LG
Early Classification of Time Series in Non-Stationary Cost Regimes
Orange Research（Orange研究院）
本文研究了在非平稳成本环境下时间序列的早期分类问题，提出在线学习方法提升分类鲁棒性，实验证明强化学习策略在不同成本制度下表现稳定。
2026-04-03 cs.LG
Benefit-aware Early Prediction of Health Outcomes on Multivariate EEG Time Series
Carnegie Mellon University（卡内基梅隆大学）；Amazon Inc.（亚马逊公司）；National University of Singapore（新加坡国立大学）；University of Pittsburgh（匹兹堡大学）
针对ICU中脑电监测的早期预测问题，提出BeneFitter，通过统一效益目标实现早期性与准确性的权衡，支持多变量变长时间序列，训练线性且实时，节省多达2倍时间且准确率不降。
2021-11-11 cs.LG
FETERS: Few-Shot Early Time-Series Classification via Effective Ratio Selection
本文提出FETERS少样本早期时间序列分类框架，通过类留一法选停止比率、惩罚奖励函数平衡权衡，结合Rocket特征与Chronos表示，在69个数据集的5样本设置下达最优性能。
2026-08-18 cs.LG
End-to-end Early Classification of Time Series in Non-Stationary Environments
Orange Research（奥朗日研究中心）；AgroParisTech（巴黎高等农业工程师学院）
本研究针对非平稳环境下的时间序列早期分类问题，提出基于强化学习的DQeND端到端架构，联合学习表示、分类与触发决策，其鲁棒性和性能优于可分离基线，验证了端到端学习的优势。
2026-08-21 cs.LG
MEET-Sepsis: Multi-Endogenous-View Enhanced Time-Series Representation Learning for Early Sepsis Prediction
Guangdong University of Technology（广东技术大学）；Women and Children's Medical Center of Southern Medical University（南方医科大学妇女儿童医疗中心）；Shenzhen Maternity and Child Healthcare Hospital（深圳妇幼保健医院）；Shenzhen BH-Energy Technology Co., Ltd.（深圳BH能源科技有限公司）；Hong Kong Baptist University（香港 Baptist大学）
针对早期脓毒症信号微弱难捕捉的问题，提出MEET-Sepsis框架，通过MERE多视图增强与CDTA多尺度时序注意力，仅用SOTA方法20%的监测时间即取得有竞争力的预测准确率。
2025-10-21 cs.AI cs.LG
ChemTime: Rapid and Early Classification for Multivariate Time Series Classification of Chemical Sensors
Worcester Polytechnic Institute（伍斯特理工学院）；U.S. Army DEVCOM Soldier Center（美国陆军DEVCOM士兵中心）
针对化学电阻传感器阵列的化学检测需求，该研究调研相关分类方法，提出新型ChemTime多变量时间序列分类方法，在保证轻量设备性能的同时实现快速早期分类与高精度。
2023-12-15 cs.LG q-bio.QM
Anomaly Transformer: Time Series Anomaly Detection with Association Discrepancy
Tsinghua University（清华大学）
时间序列中异常点的无监督检测是一个具有挑战性的问题，它要求模型推导出一个可区分的准则。以前的方法主要通过学习逐点表示或成对关联来解决这个问题，然而，这两种方法都不足以解释复杂的动力学。近年来，Transformers在点表示和两两关联的统一建模方面表现出强大的能力，我们发现每个时间点的自注意权重分布能够体现与整个序列的丰富关联。我们的关键观察是，由于异常的罕见性，从异常点到整个序列的非平凡关联是非常困难的，因此，异常的关联应主要集中在其相邻的时间点。这种邻近集中偏差意味着一个基于关联的标准，固有地区分正常和异常点，我们强调通过\emph{Association Discrepancy}。在技术上，我们提出了一个新的\emph{Anomaly-Attention}机制来计算关联差异的\emph{Anomaly Transformer}。设计了一种极大极小策略来放大关联差异的正常-异常可分辨性。Anomaly Transformer在三个应用的六个无监督时间序列异常检测基准上取得了最先进的结果：服务监控，空间和地球探测以及水处理。
2022-06-29 cs.LG
Forecasting Anomaly Precursors via Uncertainty-Aware Time-Series Ensembles
Department of Industrial & Management Engineering, Korea University（韩国大学工业与管理工程系）；Department of Industrial Engineering, Seoul National University（首尔国立大学工业工程系）；LG CNS
FATE通过不确定性感知的时间序列集成方法，有效检测异常前兆，无需异常标签，在多个数据集上取得显著提升。
2026-02-19 cs.AI cs.LG
The development of an information criterion for Change-Point Analysis
University of Washington（华盛顿大学）
变点分析是一种灵活且计算上易于处理的工具，用于分析在离散状态之间转换且其可观测量被噪声破坏的系统的时间序列数据。变点算法用于识别系统在这些离散状态之间转换的时间索引（变点）。我们提出了一个统一的信息为基础的方法来测试的存在变化点。这种新方法调和了两种以前不同的方法，以改变点分析（频率论和基于信息的）来测试状态之间的转换。所得到的方法是统计原则，参数和先验自由，广泛适用于各种变点问题。
2015-05-21 cs.LG physics.data-an stat.ML
XMTC: Explainable Early Classification of Multivariate Time Series in Reach-to-Grasp Hand Kinematics
University of Münster（明斯特大学）；Saarland University（萨尔大学）
本文提出XMTC工具，通过集成多机器学习方法和多视图可视化，在伸手抓握动作中实现多变量时间序列的可解释早期分类，并验证了其在真实HCI数据上的有效性。
2025-02-06 cs.GR cs.HC cs.LG
Event-Based Early Warning of Vineyard Disease Risk from Environmental Time Series
Faculty of Computer Science and Engineering, Ss. Cyril and Methodius University（圣西里尔与美多德大学计算机科学与工程学院）
本文提出基于事件的环境时间序列预警方法，将葡萄园病害预测重构为未来3-7天风险期转变预测，评估多种模型，验证其支持短时预警并优于传统每日分类。
2026-09-23 cs.LG
Early Abandoning and Pruning for Elastic Distances including Dynamic Time Warping
Monash University（莫纳什大学）
弹性距离下的最近邻搜索是时间序列分析的一个重要工具，支持许多应用。然而，距离的直接实现需要$O(n^2)$空间和时间复杂度，从而阻止这些应用扩展到长系列。许多工作都致力于加快NN搜索过程，主要是下限的发展，允许在超过给定阈值时避免昂贵的距离计算。由相似性搜索过程提供的该阈值还允许提前放弃距离本身的计算。另一种方法是修剪部分计算。所有这些技术都是相互正交的。在这项工作中，我们开发了一个新的通用策略，“EAPruned”，紧密结合修剪与早期放弃。我们将其应用于六个弹性距离措施：DTW，CDTW，WDTW，ERP，MSM和TWE，在NN搜索应用程序中显示出显着的加速。单独修剪也显示了一些距离的显著加速，有利于NN搜索范围之外的应用（例如，需要所有成对距离），因此早期放弃不适用。我们将我们的实现作为一个新的C++库的一部分发布，用于时间序列分类，以及易于使用的Python/Numpy绑定。
2021-06-03 cs.LG
DE3S: Dual-Enhanced Soft-Sparse-Shape Learning for Medical Early Time-Series Classification
Guangdong University of Technology（广东工业大学）；Shenzhen Maternity and Child Healthcare Hospital（深圳妇幼保健医院）；Hong Kong Baptist University（香港 Baptist大学）
DE3S通过双增强、注意力补丁、稀疏专家混合和多尺度Inception模块，解决医学早期时间序列分类中微弱信号建模及局部与全局特征兼顾的难题，在多个医学数据集上取得领先的早期预测性能。
2025-11-05 cs.AI cs.LG
Snippet Policy Network for Multi-class Varied-length ECG Early Classification
National Yang Ming Chiao Tung University（国立阳明交通大学）；Oklahoma State University（俄克拉荷马州立大学）
从心电图中检测心律失常是心血管疾病预防和诊断的重要研究课题。目前的研究将心电图中的心律失常检测归结为一个时间序列分类问题。同时，心律失常的早期检测提出了早期预防和诊断的现实需求。在本文中，我们解决了心血管疾病的早期分类问题，这是一个变长度和长长度的时间序列的早期分类问题。为了解决这个问题，我们提出了一个基于深度强化学习的框架，即Snippet策略网络（SPN），由四个模块组成，片段生成器，骨干网络，控制代理，和过滤器。与现有方法相比，该框架具有输入长度灵活的特点，解决了提前性和准确性目标的双重优化问题。实验结果表明，该算法的识别准确率达到80%以上.与最先进的方法相比，所提出的SPN在不同的指标上至少有7%的改进，包括精确度，召回率，F1分数和调和平均值。据我们所知，这是第一个工作集中在解决心血管早期分类问题的基础上，不同长度的ECG数据。基于SPN的这些优良特性，它为解决各种变长时间序列的早期分类问题提供了一个很好的范例。
2021-07-28 cs.LG eess.SP
Compute Less to Get More: Using ORC to Improve Sparse Filtering
Cornell University（康奈尔大学）；University of California（加利福尼亚大学）
稀疏滤波是图像分类流水线中常用的特征学习算法。在本文中，我们连接的稀疏滤波性能与相应的特征矩阵的频谱特性。这种联系为稀疏滤波提供了新的见解;特别是，它建议提前停止稀疏滤波。因此，我们介绍了最佳圆度准则（ORC），一种新的停止标准稀疏滤波。我们表明，这种停止标准与预处理程序，如统计白化，并证明它可以使图像分类与稀疏滤波相当快，更准确。
2015-05-24 cs.CV cs.LG
ACE: Adaptive Constraint-aware Early Stopping in Hyperparameter Optimization
Texas A&M University（德州农工大学）；Microsoft Corporation（微软公司）
部署机器学习模型需要高质量的模型，并需要遵守应用程序约束。这促使超参数优化（HPO）在部署约束下调整模型配置。这些约束通常需要额外的计算成本来评估，并且训练不合格的配置会浪费大量的调优成本。在这项工作中，我们提出了一个自适应约束感知早期停止（ACE）的方法，将约束评估到试验修剪HPO期间。为了最小化总体优化成本，ACE估计成本有效的约束评估区间的理论分析的基础上的预期评估成本。同时，我们在ACE中提出了一个层早期停止准则，该准则在剪枝时考虑了优化和约束度量，并且不需要正则化超参数。我们的实验表明，优越的性能ACE超参数调整的分类任务的公平性或鲁棒性约束。
2022-08-04 cs.LG
Early Churn Prediction from Large Scale User-Product Interaction Time Series
Dream11
本文将用户流失预测建模为多变量时间序列分类，提出结合用户活动数据与深度神经网络的方法，以减少复杂特征工程并实现大规模早期流失预测。
2023-09-25 cs.AI cs.LG
