面向多变量时间序列分类的可扩展分类器无关通道选择
机器学习
2022-12-06 v2
摘要
准确率是当前时间序列分类工作的关键焦点。然而，在许多应用中，速度和数据缩减同样重要，尤其是当数据规模和存储需求快速增长时。当前的 MTSC 算法需要数百个计算小时来完成训练和预测。这是由于多变量时间序列数据的性质决定的，其数据量随时间序列的数量、长度和通道数的增加而增长。在许多应用中，并非所有通道对分类任务都有用；因此，我们需要能够高效选择有用通道从而节省计算资源的方法。我们提出并评估了两种通道选择方法。我们的技术通过用原型时间序列表示每个类，并基于类之间的原型距离进行通道选择。主要假设是，有用的通道能够实现类之间更好的分离；因此，类原型之间距离较大的通道更有用。在 UEA 多变量时间序列分类（MTSC）基准上，我们表明这些技术在保持相似分类准确率水平的同时，实现了显著的数据缩减和分类器加速。通道选择作为训练最先进 MTSC 算法之前的预处理步骤应用，在保持准确率的同时，节省了约 70% 的计算时间和数据存储。此外，我们的方法使得即使是像 ROCKET 这样高效的分类器，也能获得比不使用通道选择或使用前向通道选择更好的准确率。为了进一步研究我们技术的影响，我们在包含超过 100 个通道的合成多变量时间序列数据集上进行了分类实验，并在包含 50 个通道的数据集上进行了真实世界案例研究。我们的通道选择方法在保持或提高准确率的同时，实现了显著的数据缩减。
引用
@article{arxiv.2206.09274,
title = {Scalable Classifier-Agnostic Channel Selection for Multivariate Time Series Classification},
author = {Bhaskar Dhariyal and Thach Le Nguyen and Georgiana Ifrim},
journal= {arXiv preprint arXiv:2206.09274},
year = {2022}
}