.png){kind=icon}
返回
MIHT: A Hoeffding Tree for Time Series Classification Using Multiple Instance Learning
.png){kind=icon}
PRE
AI
DOI：10.1007/978-3-032-10486-1_16.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
由于时序数据的普遍性及其在许多现实问题中的固有依赖性，时间序列分类在各个领域至关重要。然而，现有模型在处理变长序列或高维度数据时往往存在困难。本文提出了一种MIHT（多实例霍夫丁树）算法，该算法通过多实例学习高效地分类多元变量和变长时间序列，同时提供可解释的结果。该算法采用一种新颖的时间序列表示方法，将其视为子序列的集合，并结合基于增量决策树的优化过程，以区分序列中的相关部分与噪声。该方法能够提取多元变量和变长序列的潜在概念。生成的决策树是序列概念的紧凑、白盒表示，为序列中最相关的变量和片段提供了可解释性见解。实验结果表明，MIHT具有优越性，在28个公开数据集（包括高维数据集）上超越了11种当前最先进的时间序列分类模型。MIHT在准确性和可解释性方面均有提升，使其成为处理复杂动态时间序列数据的潜在解决方案。
Keyword:
Time-series classification
Multi-instance learning
Interpretability
期刊
I
IF:
0
论文数:
50
被引数:
0
机构
引用论文
ROCKET: exceptionally fast and accurate time series classification using random convolutional kernels火箭: 使用随机卷积核的异常快速和准确的时间序列分类
OAAI
OAAI分享收藏HIVE-COTE 2.0: a new meta ensemble for time series classificationHive-cote 2.0: 一种新的时间序列分类元集成.png)
MACHINE LEARNING
OAAI
MACHINE LEARNINGIF2.9
OAAI分享收藏Mining high-speed data streamsProceedings of the sixth ACM SIGKDD international conference on Knowledge discovery and data miningOAAI
Proceedings of the sixth ACM SIGKDD international conference on Knowledge discovery and data miningIF0
OAAI分享收藏A Model-Driven Scheme to Compensate the Strain-Based Non-Intrusive Dynamic Pressure Measurement for Hydraulic Pipe基于应变补偿的液压管道非侵入式动态压力测量模型驱动方案
PREAI
分享收藏
查看更多内容