ChemTime：面向化学传感器多变量时间序列分类的快速早期分类
机器学习
2023-12-18 v1 定量方法
摘要
多变量时间序列数据在机器学习应用于物理科学问题中无处不在。化学电阻式传感器阵列在与工业、安全和军事应用相关的化学检测任务中极具前景。传感器阵列本质上是一种多变量时间序列数据采集工具，要求对任意化学分析物进行快速准确的分类。先前的研究对与数据无关的多变量时间序列分类器在各种多变量时间序列监督任务上进行了基准测试，以寻找通用分类算法。据我们所知，目前尚未有工作对用于检测化学分析物的化学电阻式硬件传感器阵列的机器学习和时间序列分类方法进行综述。除了对现有多变量时间序列分类器方法进行基准测试外，我们还结合了模型综述的发现，提出了一种用于化学传感的传感器阵列分类的新方法 \textit{ChemTime}。我们设计了实验来解决硬件传感器阵列分类的独特挑战，包括分类器的快速分类能力和在保持轻量级硬件传感设备性能的同时最小化推理时间。我们发现 \textit{ChemTime} 通过结合时间序列的快速早期分类与有益的推理速度及高精度，在化学传感任务中具有独特优势。
引用
@article{arxiv.2312.09871,
title = {ChemTime: Rapid and Early Classification for Multivariate Time Series Classification of Chemical Sensors},
author = {Alexander M. Moore and Randy C. Paffenroth and Kenneth T. Ngo and Joshua R. Uzarski},
journal= {arXiv preprint arXiv:2312.09871},
year = {2023}
}
备注
14 pages, 12 figures