Co-eye：一种用于时间序列多样化集成分类的多分辨率符号表示
机器学习
2020-04-16 v2 机器学习
摘要
时间序列分类（TSC）是近年来吸引众多研究者的挑战性任务。TSC中的一个主要挑战是时间序列数据来源领域的多样性。因此，TSC中不存在“一模型适所有”。某些算法在考虑整条序列时对特定类型时间序列分类非常准确，而某些仅针对特定模式/shapelet的存在/不存在。还有其他技术关注判别性模式/特征的出现频率。本文提出一种新分类技术，使用受自然启发的方法解决TSC中固有的多样性问题。该技术受苍蝇通过由数千个称为小眼的透镜组成的“复眼”看世界的启发。每个小眼是一个带有自身透镜的眼，数千个共同创造出广阔视野。所开发的技术类似地使用不同透镜与表示来观察时间序列，然后组合它们以获得更广阔的可见性。这些透镜通过符号表示（分段聚合与傅里叶近似）的超参数化创建。该算法为每个透镜构建随机森林，然后使用最具置信度的眼（即森林）通过软动态投票对新实例分类。我们使用最近发布的UCR档案扩展版（包含跨广泛领域的100多个数据集）评估这一称为Co-eye的新技术。结果显示，与其他最先进（SOTA）技术相比，汇集不同视角在准确性与鲁棒性上带来益处。
引用
@article{arxiv.2004.06668,
title = {Co-eye: A Multi-resolution Symbolic Representation to TimeSeries Diversified Ensemble Classification},
author = {Zahraa S. Abdallah and Mohamed Medhat Gaber},
journal= {arXiv preprint arXiv:2004.06668},
year = {2020}
}
备注
to appear in Machine Learning, Springer