PulseAugur
中
实时 00:46:40
English(EN) When 10,000 Windows Are Not 10,000 Tests: Auditing Statistical Confidence in Sliding-Window Time-Series Classification

新论文审计时间序列分类中的统计置信度

作者 PulseAugur 编辑部 · [1 个来源] ·

一篇新发表在arXiv上的论文解决了时间序列分类中的统计置信度问题，特别是在使用滑动窗口方法时。研究强调，在成千上万个重叠的测试窗口上评估分类器可能由于共享观测而导致置信度膨胀。作者提出了一种实用的审计方法，将性能声明映射到明确的聚合规则和依赖性鲁棒推理，证明增加测试窗口并不总是等同于独立证据的比例增长。他们的发现表明，当前的评估方法可能夸大了分类器的性能，而他们提出的审计可以区分额外的预测与额外的独立证据。 AI

影响 强调了时间序列分类中模型性能可能被高估的问题，敦促采用更严格的评估方法。

排序理由 该集群包含一篇详细介绍机器学习模型评估新方法的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →

新论文审计时间序列分类中的统计置信度

报道来源 [1]

  1. arXiv cs.LG TIER_1 English(EN) · Xinze Shi, Litian Zhang, Binrui Shi ·

    当10000个窗口并非10000次测试时：滑动窗口时间序列分类的统计置信度审计

    arXiv:2609.30721v1 Announce Type: new Abstract: Sliding-window classifiers are often evaluated on thousands of overlapping test windows, even though neighboring predictions share observations and remain nested within recordings and subjects. Subject-disjoint evaluation prevents o…

相关实体

相关话题