时间序列分类方法区分扩散过程的最优性基准评测
机器学习
2023-04-13 v3 机器学习
摘要
统计最优性基准评测对于分析和设计时间序列分类（TSC）算法至关重要。本研究提出通过似然比检验（LRT）对 TSC 算法在区分扩散过程方面的最优性进行基准评测。根据 Neyman-Pearson 引理，LRT 是一种最优分类器。LRT 基准在计算上高效，因为 LRT 无需训练，且扩散过程可被高效模拟，并能灵活反映真实世界应用的具体特征。我们以三种广泛使用的 TSC 算法：随机森林、ResNet 和 ROCKET 展示了该基准评测。这些算法对于单变量时间序列和多变量高斯过程能够达到 LRT 最优性。然而，这些与模型无关的算法在对高维非线性多变量时间序列进行分类时是次优的。此外，LRT 基准提供了分析分类准确率对时间序列的时间长度、维度、时间采样频率以及随机性依赖关系的工具。
引用
@article{arxiv.2301.13112,
title = {Benchmarking optimality of time series classification methods in distinguishing diffusions},
author = {Zehong Zhang and Fei Lu and Esther Xu Fei and Terry Lyons and Yannis Kevrekidis and Tom Woolf},
journal= {arXiv preprint arXiv:2301.13112},
year = {2023}
}
备注
23 pages, 8 figures