面向时间序列分割的可解释评估指标
机器学习
2025-10-28 v1
摘要
时间序列分割是分析各种领域中时序数据（从人类活动识别到能源监控）的基本任务。尽管已developed许多最先进的方法来解决此问题，但其性能评估仍严重受限。现有措施主要关注变化点准确性，或依赖基于点的度量（如调整随机指数ARI），这些措施未能捕捉检测片段的质量，忽视错误的性质，且提供的解释性有限。本文通过引入两种新型评估措施来克服上述不足：WARI（加权调整随机指数），它考虑分割错误的位置；以及SMS（状态匹配得分），这是一种细粒度度量，识别并评分四种基本类型的分割错误，同时允许按错误类型进行加权。我们在合成数据和真实世界基准上对WARI和SMS进行经验验证，结果表明它们不仅提供更准确的分割质量评估，还揭示了诸如错误来源和类型的见解，这些是传统度量所无法获取的。
引用
@article{arxiv.2510.23261,
title = {Toward Interpretable Evaluation Measures for Time Series Segmentation},
author = {Félix Chavelli and Paul Boniol and Michaël Thomazo},
journal= {arXiv preprint arXiv:2510.23261},
year = {2025}
}