Time series classification with ensembles of elastic distance measures
PulseAugur coverage of Time series classification with ensembles of elastic distance measures — every cluster mentioning Time series classification with ensembles of elastic distance measures across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
TIGER集成方法创时间序列分类新精度记录
研究人员开发了TIGER，一种利用表示的集成和自适应元分类的新型时间序列分类方法。与以往将定制分类器与每种表示配对的最先进方法不同，TIGER在四个不同的表示家族中使用了小型通用分类器组合。该方法在UCR时间序列分类存档的142个数据集的基准测试中取得了优于现有算法（包括HIVE-COTE2.0）的准确率、平衡准确率和F1分数。
-
新的DTW-GBC方法改进了噪声标签时间序列分类
研究人员开发了一种名为基于动态时间规整的颗粒球计算（DTW-GBC）的新方法，用于对时间序列数据进行分类，尤其是在训练数据包含噪声标签的情况下。该方法将相似的训练样本组织成“颗粒球”，从而在更高层次上执行分类，减少了大量比较的需要。实验表明，DTW-GBC变体可以在标签噪声存在的情况下保持分类准确性，并显著提高与传统基于DTW的最近邻分类器相比的推理效率。
-
新框架将生物信号形态与时间序列分类联系起来
一个名为“模态 vs. 形态”的新框架已被提出，用于对生物信号的时间序列数据进行分类。该框架将生理过程的波形结构（形态）与机器学习模型的设计联系起来。通过分析脑电图（EEG）和心电图（ECG）等各种生物信号，研究表明，形态而不是所使用的特定模型类别，是时间序列分类中性能和可解释性的主要决定因素。