用于快速分类的时间序列 GeoStat 表示
机器学习
2021-01-13 v3 计算机视觉与模式识别
机器学习
摘要
时间序列分类的近期进展主要集中于采用深度学习或利用其他机器学习模型进行特征提取的方法。尽管成功,其能力往往以计算复杂性为代价。本文中,我们引入时间序列的 GeoStat 表示。GeoStat 表示基于近期轨迹分类方法的推广,并根据易于计算的差分几何量的(可能加窗的)分布的综合统计量来概括时间序列的信息,无需动态时间规整。所使用的特征直观且只需极少的参数调优。我们在多个真实数据集上对 GeoStat 进行了详尽评估,表明在这些表示上训练的简易 KNN 与 SVM 分类器相对于需要显著计算能力的现代单一模型方法展现出令人惊讶的性能,在许多情况下取得了最先进(state of the art)结果。特别地,我们表明该方法在一个涉及渔船分类的具有挑战性数据集上取得了良好性能,尽管仅能访问该最先进方法训练与评估所用数据集约百分之二的数据,我们的方法仍相对于最先进水平取得了良好性能。
引用
@article{arxiv.2007.06682,
title = {GeoStat Representations of Time Series for Fast Classification},
author = {Robert J. Ravier and Mohammadreza Soltani and Miguel Simões and Denis Garagic and Vahid Tarokh},
journal= {arXiv preprint arXiv:2007.06682},
year = {2021}
}
备注
28 pages, 8 tables, 5 figures