WEASEL 2.0 -- A Random Dilated Dictionary Transform for Fast, Accurate and Memory Constrained Time Series Classification
Humboldt-Universität zu Berlin(柏林洪堡大学)
时间序列是一个按时间顺序排列的实数序列。时间序列分类(TSC)是将时间序列分配给一组预定义类别之一的任务,通常基于从示例中学习的模型。基于字典的TSC方法依赖于计算时间序列中某些模式的频率,是目前最准确的TSC集成的重要组成部分。早期基于字典的方法之一是WEASEL,它在当时实现了SotA结果,同时也非常快。然而,它在速度和准确性方面都优于其他方法。此外,它的设计导致不可预测的大内存占用,使其不适用于许多应用程序。在本文中,我们提出了WEASEL 2.0,一个完整的大修WEASEL的基础上TSC的两个最新进展:扩张和随机超参数设置的集合。这两种技术允许WEASEL 2.0使用固定大小的内存占用,同时提高精度。与UCR基准集上的其他15种SotA方法相比,WEASEL 2.0比其他字典方法更准确,并且比目前最好的方法没有明显差。实际上,它在所有数据集上都达到了最高的中值准确度,并且在12个问题类别中的5个中表现最好。因此,我们相信WEASEL 2.0是目前TSC的一个可行的替代方案,也是未来合奏的一个潜在的有趣的输入。
2023-02-01 cs.LG
Fuzzy clustering of ordinal time series based on two novel distances with economic applications
Research Center for Information and Communication Technologies (CITIC)(信息与通信技术研究中心(CITIC));University of A Coruña(拉科鲁尼亚大学);Helmut Schmidt University(赫尔穆特·施密特大学)
针对有序时间序列聚类,本文提出两种基于估计累积概率的新颖距离并构建高效模糊聚类算法,模拟显示其优于替代方法,并通过经济时间序列应用验证实用性。
2023-04-24 cs.LG stat.ML
Zero-shot and few-shot time series forecasting with ordinal regression recurrent neural networks
University of Oxford(牛津大学);Mind Foundry Ltd.(思维铸造有限公司)
循环神经网络(RNN)在几个顺序学习任务中是最先进的,但它们通常需要大量的数据才能很好地概括。对于许多时间序列预测(TSF)任务,在训练时可能只有几十个观测值可用,这限制了这类模型的使用。我们提出了一种新的基于RNN的模型,通过在许多量化时间序列的空间上学习共享特征嵌入来直接解决这个问题。我们展示了这如何使我们的RNN框架能够准确可靠地预测看不见的时间序列,即使在几乎没有训练数据可用的情况下。
2020-03-26 cs.LG stat.ML
Ordinal time series analysis with the R package otsfeatures
Research Center for Information and Communication Technologies (CITIC)(信息与通信技术研究中心(CITIC));University of A Coruña(拉科鲁尼亚大学);Technological Institute for Industrial Mathematics (ITMATI)(工业数学技术研究所(ITMATI))
本文介绍 R 包 otsfeatures,它为序数时间序列提供特征提取、推断及聚类、分类和异常检测工具,并内置金融与合成数据集。
2023-04-24 cs.LG stat.ML
Applications of Online Nonnegative Matrix Factorization to Image and Time-Series Data
University of California Los Angeles(加州大学洛杉矶分校)
在线非负矩阵分解(ONMF)是一种在线环境中的矩阵分解技术,其中数据以流式方式获取,并且每次更新矩阵因子。这使得因子分析能够与新数据样本的到达同时进行。在这篇文章中,我们演示了如何使用在线非负矩阵分解算法从相关数据集的集合中学习联合字典原子。我们提出了一种基于ONMF算法的时间序列数据集的时态字典学习方案。我们在历史温度数据、视频帧和彩色图像的应用环境中展示了我们的字典学习技术。
2020-11-10 cs.LG
Error-bounded Approximate Time Series Joins Using Compact Dictionary Representations of Time Series
Visa Research(Visa研究院);University of California, Riverside(加州大学河滨分校)
针对现有矩阵轮廓近似连接研究多聚焦自连接的问题,提出基于时间序列紧凑字典表示的误差有界近似跨序列相似性连接方法,可将异常挖掘系统吞吐量提升至少20倍且准确率基本无降,还能提供语义化洞见,已在多领域验证效用。
2023-11-05 cs.DB cs.LG
Generalized Time Warping Invariant Dictionary Learning for Time Series Classification and Clustering
Peking University(北京大学);University of Iowa(爱荷华大学);Shanghai Jiao Tong University(上海交通大学)
本文提出一种广义时间规整不变字典学习算法,通过连续基函数线性组合构成的广义时间规整算子解决DTW的离散性过拟合问题,采用块坐标下降法联合优化参数,并在十组公共数据集上验证了其在分类与聚类任务中的优越性。
2023-06-30 cs.LG stat.ML
COVID-19 Time-series Prediction by Joint Dictionary Learning and Online NMF
University of California, Los Angeles(加州大学洛杉矶分校)
预测COVID-19的传播和遏制是更广泛的科学界目前面临的最重要的挑战。困难的主要来源之一是每天可获得的COVID-19病例数据非常有限,除少数例外,大多数国家目前处于“指数传播阶段”,因此缺乏可用于预测传播和遏制之间的阶段性转变的信息。在本文中,我们提出了一种新的方法来预测COVID-19的传播基于字典学习和在线非负矩阵分解(在线NMF)。其核心思想是同时学习多个国家新的日常病例的短进化实例的字典模式,以便在字典模式中捕获它们的潜在相关结构。我们首先从整个时间序列中通过小批量学习来学习这样的模式,然后通过在线NMF进一步使它们适应时间序列。随着我们逐步适应和改进学习的字典模式以适应最近的观察结果,我们还使用它们通过部分拟合进行一步预测。最后,通过递归地应用一步预测,我们可以将我们的预测外推到不久的将来。我们的预测结果可以直接归因于学习的字典模式,因为它们的可解释性。
2020-04-20 cs.LG math.OC stat.ML
Universally Rank Consistent Ordinal Regression in Neural Networks
Mayo Clinic(梅奥诊所)
尽管有序标签在监督学习中普遍存在,但在深度学习中,通常的做法是使用分类交叉熵损失来处理分类分类问题。最近的方法试图解决这个问题,同时尊重有序结构的标签已诉诸转换成一系列的扩展二进制分类子任务的有序回归。然而,由于理论和实践的限制,这些方法的采用仍然不一致。在这里,我们通过证明子任务概率形成马尔可夫链来解决这些限制。我们展示了如何直接修改神经网络架构,以利用这一事实,从而约束预测普遍排名一致。我们还证明了所有的秩一致的解决方案,可以表示在此配方,并推导出一个损失函数产生最大似然参数估计。使用不同的基准和用于COVID-19预测的专用递归神经网络的实际应用,我们证明了这种方法相对于当前最先进技术的实际优势。该方法是开源的,作为用户友好的PyTorch和TensorFlow包。
2022-03-03 cs.LG
Multiple-Kernel Dictionary Learning for Reconstruction and Clustering of Unseen Multivariate Time-series
CITEC cluster of excellence(CITEC卓越集群);Bielefeld University(比勒费尔德大学)
存在许多方法用于描述和识别数据集中的不可见类。然而,当我们处理多变量时间序列(MTS)(例如,运动数据),其中我们不能将矢量算法直接应用于输入。在这项工作中,我们提出了一种新的多核字典学习(MKD),学习语义属性的MTS维度在特征空间中的特定组合的基础上。因此,MKD可以基于训练数据(可见类)完全/部分地重建不可见类。此外,我们获得稀疏编码看不见的类的基础上学习的MKD属性,并在此基础上,我们提出了一个简单而有效的增量聚类算法来分类看不见的MTS类在无监督的方式。根据我们的MKD框架在真实基准上的经验评估,它提供了一个不可见MTS数据的可解释的重建以及关于其在线聚类的高性能。
2019-03-12 cs.LG stat.ML
Scalable Dictionary Classifiers for Time Series Classification
University of East Anglia(东英吉利大学)
基于字典的分类器是一系列用于时间序列分类(TSC)的算法,其专注于捕获时间序列中模式出现的频率。在最近的一次评估中,基于集成的符号傅立叶近似符号包(BOSS)被认为是性能最好的TSC算法,也是性能最好的基于字典的分类器。最近添加到该类别的词提取时间序列分类(WEASEL)声称这一性能有所改进。然而,这两种算法都有不可忽视的可扩展性问题,在较大的数据集上花费了大量的构建时间和空间。我们评估BOSS为其集成选择分类器的方式的变化,用随机选择取代其参数搜索。这一更改允许轻松实现合同,为分类器和检查点设置构建时间限制,在分类器构建期间保存进度。为了区分这两种BOSS集成方法,我们将我们的随机版本称为RBOSS。此外,我们测试的应用程序的共同集成技术,以帮助保持准确性的BOSS参数搜索的损失。我们实现了一个显着减少构建时间没有显着变化的准确性平均相比,BOSS通过创建一个大小$n$加权合奏选择最好的表演者从$k$随机选择的参数集。我们的实验是在最近扩展的UCR时间序列档案的数据集上进行的。我们证明了可用性的改进,RBOSS的案例研究,使用大型鲸鱼声学数据集BOSS证明是不可行的。
2019-07-26 cs.LG stat.ML
MOrdReD: Memory-based Ordinal Regression Deep Neural Networks for Time Series Forecasting
University of Oxford(牛津大学);Oxford-Man Institute of Quantitative Finance(牛津-曼定量金融研究所);Mind Foundry Ltd.(Mind Foundry有限公司)
时间序列预测在现代世界中无处不在。应用范围从医疗保健到天文学,包括气候建模,金融交易和关键工程设备的监测。为了在这一系列活动中提供价值,模型不仅必须提供准确的预测,而且还必须随着时间的推移量化和调整其不确定性。在这项工作中,我们直接用一种新颖的、完全端到端的深度学习方法来处理这个任务,用于时间序列预测。通过重铸时间序列预测作为一个有序回归任务,我们开发了一个原则性的方法来评估长期预测的不确定性和描述丰富的多模态,非高斯行为,这经常出现在应用环境。值得注意的是,我们的框架是一种完全通用的方法,几乎不需要用户干预。我们在一个大规模的基准测试中展示了这一关键功能,测试中使用了45个数据集,这些数据集来自广泛的现实应用领域,以及一个综合的合成地图列表。这种广泛的比较涵盖了机器学习和统计建模文献中最先进的方法,例如高斯过程。我们发现,我们的方法不仅提供了出色的预测性预测,遮蔽了真实的未来价值,而且还允许我们推断有价值的信息,例如即使在很长一段时间内,也能准确可靠地预测关键事件发生的预测分布。
2018-10-24 cs.LG stat.ML
Personalized Convolutional Dictionary Learning of Physiological Time Series
Centre Borelli(博雷利中心);Thales AVS(泰雷兹AVS公司);ENS Paris-Saclay(巴黎萨克雷高等师范学校);University of Pennsylvania(宾夕法尼亚大学);CMAP(应用数学与计算机科学中心);CNRS(法国国家科学研究中心);Ecole polytechnique(巴黎综合理工学院)
本文提出个性化卷积字典学习(PerCDL),通过可学习的时空变换将全局字典适配为个体局部字典,并给出理论与实验验证。
2025-03-10 cs.LG math.ST stat.ML
A tale of two toolkits, report the second: bake off redux. Chapter 1. dictionary based classifiers
University of East Anglia(东英吉利大学)
时间序列分类(TSC)是从时间相关数据中学习标签的问题。一类算法是从词袋方法衍生而来的。一个窗口沿着一个系列运行,子系列被缩短和离散化以形成一个单词,然后从单词出现频率的直方图中形成特征。我们将这种方法称为基于TSC字典的分类。我们在一个更广泛的项目中比较了四种基于字典的算法,以更新2017年发表的一项比较研究--伟大的时间序列分类bakeoff。我们实验验证了算法的预测性能,时间复杂度和空间复杂度。我们发现,我们可以在准确性方面提高以前的最佳水平,但这是以时间和空间为代价的。或者,同样的性能可以以更低的成本实现。我们回顾了四种算法的相对优点,然后提出了可能的改进路径。
2019-11-27 cs.LG stat.ML
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
BinConv: A Neural Architecture for Ordinal Encoding in Time-Series Forecasting
Independent Researcher(独立研究者);AIRI, HSE University(AIRI,霍普金斯大学);AIRI, ISP RAS, ITMO University(AIRI,俄罗斯科学院信息研究所,ITMO大学)
本文提出 BinConv 全卷积架构,结合累积二进制编码(CBE)保留序数信息,在时间序列点预测和概率预测上以更少参数和更快训练超越现有基线。
2025-08-27 cs.AI cs.LG stat.ML
Statistical Properties of the Entropy from Ordinal Patterns
Universidade Federal de Minas Gerais(米纳斯吉拉斯联邦大学);Victoria University of Wellington(惠灵顿维多利亚大学);Instituto Tecnológico de Buenos Aires(布宜诺斯艾利斯技术研究所);Universidad Nacional de Tres de Febrero(二月三日国立大学);Universidad Nacional del Nordeste(东北国立大学);CONICET(阿根廷国家科学与技术研究理事会);Universidad Tecnológica Nacional(国立技术大学)
有序模式的统计分析的最终目的是表征它们所诱导的特征的分布。特别是,知道一大类时间序列模型的熵-统计复杂性对的联合分布将允许迄今为止不可用的统计测试。在这个方向上工作,我们描述的渐近分布的经验香农熵的任何模型下,真正的归一化熵既不为零,也不为一。我们从中心极限定理(假设大的时间序列),多元Delta方法,和三阶修正其平均值得到的渐近分布。我们讨论了其他结果(精确,第一,和第二阶校正)的适用性,其准确性和数值稳定性。在一个一般的框架内建立测试统计香农熵,我们提出了一个双边测试,验证是否有足够的证据来拒绝假设,两个信号产生相同的香农熵的顺序模式。我们应用这种双边测试的每日最高温度的时间序列从三个城市(都柏林,爱丁堡和迈阿密),并获得了合理的结果。
2022-09-15 cs.IT cs.LG cs.NA
From BOP to BOSS and Beyond: Time Series Classification with Dictionary Based Classifiers
University of Rennes 1(雷恩第一大学);University of Rennes 2(雷恩第二大学)
本文通过解构对比 BOP 和 BOSS 两种基于字典的时间序列分类算法,并引入计算机视觉中的 Spatial Pyramids 等技术,提出了准确率显著优于原算法且媲美最优方法的 SP 分类器。
2018-09-18 cs.LG stat.ML
Structure Parameter Optimized Kernel Based Online Prediction with a Generalized Optimization Strategy for Nonstationary Time Series
Fujian Institute of Research on the Structure of Matter, Chinese Academy of Sciences(中国科学院福建物质结构研究所);Tsinghua University(清华大学)
本文研究了再生核Hilbert空间中非平稳时间序列的稀疏化辅助在线预测算法。通常的在线预测算法包括核结构参数的选择和核权向量的更新。对于结构参数,采用稀疏化技术和在线选择性建模准则选择核字典,并根据协方差矩阵自适应进化策略(CMA-ES)间歇优化核协方差矩阵。对实对称协方差矩阵进行优化,不仅可以利用输入变量的互相关性提高核结构的灵活性,而且可以部分缓解非平稳时间序列核字典选择带来的预测不确定性。为了充分捕捉预测误差时间序列的潜在动态特征,设计了一种广义优化策略,在多核连接模式下依次构造核字典.广义优化策略提供了一种更独立的方式来构建整个内核连接,这增强了自适应跟踪动态特性变化的能力。数值模拟表明,该方法对非平稳时间序列具有较好的预测性能。
2021-08-18 cs.LG eess.SP
A Dynamic, Ordinal Gaussian Process Item Response Theoretic Model
Washington University in St Louis(圣路易斯华盛顿大学)
本文结合贝叶斯非参数IRT与高斯过程时间序列方法,提出GD-GPIRT模型及MCMC采样算法,用于估计随时间变化的序数潜在特质,并在模拟和实际研究中验证了其有效性。
2025-04-03 cs.LG stat.ME
Improving Sparsity in Kernel Adaptive Filters Using a Unit-Norm Dictionary
Center for Mathematical Modeling Universidad de Chile Email
核自适应滤波器是一类自适应非线性时间序列模型,具有从序列数据中学习表达性自回归模式的能力。然而,对于平凡的单调信号,它们很难执行准确的预测,同时将计算复杂度保持在期望的范围内。这是因为当新的观察结果与算法过去看到的结果相差甚远时,它们会被合并到字典中。我们提出了一种新的方法来内核自适应滤波,比较新的观察对字典样本的单位范数(归一化)版本,这意味着新的观察,看起来像以前的样本,但有不同的幅度不添加到字典。我们通过提出单位范数高斯核来实现这一点,并为这种新的核定义了一个稀疏化标准。这种新的方法验证了两个真实世界的数据集对标准KAF的归一化均方误差和字典大小。
2017-07-13 cs.LG stat.ML
Leveraging the Self-Transition Probability of Ordinal Pattern Transition Graph for Transportation Mode Classification
Federal University of Minas Gerais(米纳斯吉拉斯联邦大学);Federal University of Alagoas(阿拉戈斯联邦大学)
GPS轨迹的分析是城市计算中一个得到充分研究的问题,并已被用于跟踪人。分析人们的流动性并确定他们使用的交通模式对于希望减少交通堵塞和两点之间的旅行时间的城市至关重要,从而有助于提高公民的生活质量。移动物体的轨迹数据由时间上的离散点集合表示,即,时间序列关于其跨学科和广泛的实际应用范围,显然需要从时间序列数据中提取知识。然而,挖掘这种类型的数据,由于其独特的属性,面临着一些复杂性。不同的数据表示可以克服这一点。在这项工作中,我们建议使用的有序模式转换图,称为概率的自转换运输模式分类保留的功能。所提出的特征比置换熵和统计复杂度提供了更好的准确性结果,即使当这两个组合。这是第一个将信息论量词应用于交通方式分类的工作,表明了该方法的可行性。
2020-07-16 cs.LG eess.SP stat.ML
CT-Miner: Fast and Coarse-Grained Time-Series Pattern Mining via Cartesian Trees
Yonsei University(延世大学)
针对时间序列模式挖掘计算开销大的问题,提出基于笛卡尔后缀树的CT-Miner算法,将穷举模式收集从O(n^4)降至O(n^2),并证明其能生成紧凑表示,保留聚类结构。
2026-10-06 cs.DS cs.LG
Dictionary-Learning-Based Data Pruning for System Identification
College of Civil Engineering, Tongji University, Shanghai, China(同济大学土木工程学院);Shanghai Qi Zhi Institute, Shanghai, China(上海启智研究院);Baosight Software, Shanghai, China(宝信软件);State Key Laboratory of Disaster Reduction in Civil Engineering, Tongji University, Shanghai, China(同济大学灾害防治国家重点实验室)
针对系统辨识中时移和非线性化扩充时间序列数据带来的样本冗余问题,提出基于字典学习的mini-batch FastCan数据剪枝方法,经测试其性能显著优于随机剪枝方法。
2025-07-21 cs.LG cs.SY eess.SY
A Novel Large-scale Ordinal Regression Model
University of Chinese Academy of Sciences(中国科学院大学);The Chinese University of Hong Kong(香港中文大学)
有序回归(OR)是一种特殊的多类分类问题,其中标签之间存在顺序关系。近年来,人们通过社交网络和电子商务方便地分享自己的观点和情感判断,从而产生了大量的大规模OR问题。然而,很少有研究集中在这类问题。非平行支持向量有序回归(NPSVOR)是一种基于SVM的OR模型,它通过求解一系列独立的子优化问题来学习每个秩的超平面,然后将这些学习到的超平面集成起来进行预测。以往的研究主要集中在非线性的情况下,并取得了较好的测试性能,但其训练耗时,特别是对于大规模数据。在本文中,我们考虑NPSVOR的线性情况下,设计了一个有效的训练方法的基础上的双坐标下降法(DCD)。为了利用标签间的顺序信息进行预测,提出了一种新的预测函数。在文本OR数据集上的大量对比实验表明,精心实现的DCD非常适合于训练大数据。
2018-12-19 cs.AI cs.LG stat.ML
Discretizing Continuous Time Series for Imputation with Masked Diffusion Training
Seoul National University(首尔大学)
针对时间序列插补的现有方法存在的局限性,提出MDTIM模型,引入随机离散化技术,在多种基准上的实验显示其鲁棒性和可扩展性优于现有基线方法。
2026-11-09 cs.AI cs.LG
Topological Signal Processing using the Weighted Ordinal Partition Network
Michigan State University(密歇根州立大学)
在时间序列分析中出现的最重要的问题之一是分叉或变点检测。也就是说,给定一个参数变化的时间序列集合,底层动力系统的结构何时发生了变化?对于这项任务,我们转向拓扑数据分析(TDA)领域,它编码有关数据的形状和结构的信息。利用TDA的工具进行信号处理任务的想法,被称为拓扑信号处理(TSP),近年来得到了很多关注,主要是通过一个标准的管道来计算Takens嵌入生成的点云的持久同源性。然而,该过程受到计算时间的限制,因为在这种情况下生成的单纯复形很大,而且还具有大量的冗余数据。出于这个原因,我们转向一个更近的方法来编码的吸引子的结构,它构建了一个有序分区网络(OPN)表示的信息,当动力系统已经通过状态空间的某些区域之间。结果是一个加权图,其结构编码了关于底层吸引子的信息。我们之前的工作开始寻找以符合TDA的方式封装OPN信息的方法;然而,该工作仅使用网络结构,并没有对额外的加权信息进行编码。在本文中,我们采取下一步:构建一个管道来分析加权OPN与TDA,并表明该框架提供了更多的弹性,系统中的噪声或扰动,并提高了动态状态检测的准确性。
2022-08-03 cs.LG eess.SP stat.ML
Weakly-supervised Dictionary Learning
Oregon State University(俄勒冈州立大学)
我们提出了一个概率建模和推理框架的判别分析字典学习下的弱监督设置。字典学习方法已被广泛用于低级别信号去噪和恢复以及高级分类任务等任务,这些任务可应用于音频和图像分析。综合字典学习旨在联合学习字典和相应的稀疏系数,以提供准确的数据表示。这种方法对于去噪和信号恢复是有用的,但可能导致次优分类性能。相比之下,分析字典学习提供了一种将数据映射到适合分类的稀疏判别表示的变换。我们考虑了弱监督设置下的时间序列数据的分析字典学习问题,其中信号被分配有全局标签而不是瞬时标签信号。我们提出了一个歧视性的概率模型,采用基数控制的潜在瞬时标签信号的标签信息和稀疏性约束。我们提出了期望最大化(EM)的最大似然估计(MLE)的建议模型的过程。为了便于计算效率的E-步骤,我们提出了一个链和一个新的树图的图形模型的重新制定。所提出的模型的性能证明在合成和真实世界的数据。
2018-02-05 cs.LG eess.SP stat.ML
CNN inference acceleration using dictionary of centroids
Faculty of Mechanics and Mathematics, Moscow State University(莫斯科国立大学力学与数学系)
众所周知,常见CNN的卷积层中的乘法运算在推理阶段消耗大量时间。在这篇文章中,我们提出了一种灵活的方法来降低推理中卷积层的计算复杂性以及存储它们的空间量。该方法是基于质心滤波器量化和优于方法的基础上张量分解的大幅度。我们在ImageNet基准测试中对所提出的方法和CP张量分解系列进行了比较分析,发现我们的方法提供了近2.9倍的计算增益。尽管我们的方法很简单,但它不能直接应用于现代框架中的推理阶段,但对于计算流程可能会改变的情况可能很有用,例如CNN芯片设计师。
2018-10-19 cs.LG stat.ML
Time Series Classification to Improve Poultry Welfare
University of California, Riverside(加州大学河滨分校)
家禽养殖场是人类食物链的重要组成部分。在世界范围内,人类饲养了大量的家禽(如鸡),以获取蛋和肉,提供丰富的低脂蛋白质来源。然而,在世界各地,人们越来越关注家禽养殖场牲畜的生活质量,并越来越强烈地要求提高动物福利标准。传感技术和机器学习的最新进展允许自动评估一些个体鸟类的健康状况,并利用所学到的经验教训来改善所有鸟类的福利。考虑到近年来人类行为分类的巨大进步,以及人类行为可能更加复杂,这项任务表面上看起来似乎很容易。然而,正如我们将要展示的那样,对鸡的行为进行分类带来了一些独特的挑战,其中最主要的是从稀疏和嘈杂的数据中创建一个可推广的行为字典。在这项工作中,我们介绍了一种新的时间序列字典学习算法,可以鲁棒地学习弱标记的数据源。
2018-11-07 cs.LG stat.ML
EvoSTS Forecasting: Evolutionary Sparse Time-Series Forecasting
Drexel University(德雷塞尔大学)
在这项工作中,我们强调我们的新的进化稀疏时间序列预测算法,也被称为EvoSTS。该算法尝试使用学习的稀疏编码字典来进化优先化长短期记忆(LSTM)网络的权重,以最大限度地减少预测信号的重建损失。在我们的进化算法的每一代中,都会产生一组具有相同初始权重的孩子。每个孩子都经历了一个训练步骤,并在相同的数据上调整他们的权重。由于随机反向传播,子集合具有不同性能水平的各种权重。在给定的信号字典中,最大限度地减少重建损失的权重被传递给下一代。比较了第一代和最后一代性能最佳的权重的预测。我们在比较这两代人的权重时发现了改进。然而,由于几个混杂参数和超参数限制,一些权重的改进可以忽略不计。据我们所知,这是第一次尝试以这种方式使用稀疏编码来优化时间序列预测模型权重,例如LSTM网络的权重。
2022-04-14 cs.LG cs.NE eess.SP
Time-series Scenario Forecasting
Windlogics Inc.(Windlogics公司)
许多应用需要判断时间序列预测的不确定性的能力。不确定性通常被指定为围绕平均值或中位数预测的逐点误差条。由于时间依赖性,这种方法掩盖了一些信息。理想情况下,我们应该有一种方法来查询给定预测变量的整个时间序列的后验概率,或者至少能够从这个分布中提取样本。我们使用贝叶斯字典学习算法来统计生成预测的集合。我们表明,该算法执行以及基于物理的集成方法的温度预测休斯顿。我们的结论是,该方法显示出前景的情况下,基于物理的方法是缺席预测。
2012-11-13 cs.LG stat.AP stat.ML
ASTRIDE: Adaptive Symbolization for Time Series Databases
Université Paris-Saclay(巴黎萨克雷大学);Université Paris Cité(巴黎西岱大学);ENS Paris-Saclay(巴黎萨克雷高等师范学院);CNRS(法国国家科学研究中心);SSA(法国卫生总局);INSERM(法国国家健康与医学研究院);Centre Borelli(博雷利中心)
我们介绍了ASTRIDE(时间序列数据库的自适应符号化),一种新颖的时间序列符号表示,及其加速变体FASTRIDE(快速ASTRIDE)。与大多数符号化过程不同,ASTRIDE在分割步骤和量化步骤中都具有自适应性,前者通过执行变点检测,后者通过使用分位数。ASTRIDE不是一个信号接一个信号地处理,而是建立一个数据集中所有信号都通用的符号字典。我们还介绍了D-GED(动态通用编辑距离),一种新的符号表示的通用编辑距离的基础上的相似性度量。我们证明了性能的ASTRIDE和FASTRIDE表示相比,SAX(符号聚合近似),1d-SAX,SFA(符号傅立叶近似),和ABBA(自适应布朗桥为基础的聚合)重建,并在适用的情况下,分类任务。这些算法进行评估的86单变量等大小的数据集从UCR时间序列分类档案。一个名为acstride的开源GitHub存储库可以在Python中重现所有实验。
2023-02-08 cs.LG eess.SP
Motif Difference Field: A Simple and Effective Image Representation of Time Series for Classification
Center of Nanomaterials for Renewable Energy(纳米材料可再生能源中心);State Key Laboratory of Electrical Insulation and Power Equipment(电力设备电气绝缘国家重点实验室);School of Electrical Engineering(电气工程学院);Xi’an Jiaotong University(西安交通大学)
时间序列模体在时间序列分析中起着重要的作用。基于模体的时间序列聚类用于发现时间序列数据中的高阶模式或结构。受基于时间序列图像表示的卷积神经网络(CNN)分类器的启发,提出了模体差异场(Motif Difference Field)分类器。与其他时间序列的图像表示方法相比,该方法简单,易于构造。以全卷积网络(FCN)作为分类器,在UCR时间序列数据集上,与其他时间序列分类方法进行了基准测试,证明了该方法的优越性能。有趣的是,三元时间序列基序在测试中给出了最好的结果。由于基序聚类反映在图中,重要的基序检测的帮助下,加权类激活映射(梯度-CAM)。在Grad-CAM中具有高权重的区域中,具有与时间序列中的签名模式相关联的所需顺序模式的显著基序的贡献很高。然而,签名模式不能识别与神经网络分类器直接基于时间序列。
2020-01-21 cs.CV cs.LG stat.ML