.png){kind=icon}
返回
Structured temporal representation in time series classification with ROCKETs and hyperdimensional computing
.png){kind=icon}
OA
AI
DOI：10.1007/s10618-025-01162-y.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
时间序列分类由于数据点固有的时间顺序以及它们之间存在的序列依赖性而面临重大挑战。ROCKET系列方法（包括MiniROCKET、MultiROCKET和HYDRA等）目前是该领域的主流方法，利用卷积核将时间特征聚合为线性分类器的编码。然而，这些模型仅对短时间窗口内的特征进行编码，然后将这些编码作为无序集合聚合到整个数据序列的更长时间窗口中，这导致它们无法捕捉更长的序列结构。为解决这一设计缺陷，我们提出将高维计算融入ROCKET方法中，以显式地将短期特征在整个时间序列中的时间顺序纳入考虑。该方法增强了MiniROCKET、MultiROCKET和HYDRA生成的编码在数据中存在长期结构时的判别能力，从而在极小计算开销下提升了分类性能。更具体地说，我们引入了一种通过ROCKET编码与表示时间顺序的编码进行乘法绑定，将时间序列表示为高维向量的方法，并将此方法应用于各种ROCKET方法中。此外，我们探索了不同的时间顺序高维向量表示，生成了多种相似度核以提升分类精度。通过合成数据集的实验，我们揭示了ROCKET方法在处理时间依赖性方面的局限性，并展示了基于高维计算的方法如何克服这些局限。此外，我们在包含在最新UCR存档中的真实数据集上进行了全面的实验评估，验证了我们的方法的优势，其在不整合高维计算的所有ROCKET方法中均实现了持续的分类性能提升。值得注意的是，我们的最佳模型在多个UCR数据集上相较于最佳ROCKET模型，实现了超过50%的相对误差率降低。
Keyword:
Hyperdimensional Computing
Time Series Classification
ROCKET
MiniROCKET
MultiROCKET
HYDRA
Position Encoding
Compositional Representation
期刊
IF:
4.3
论文数:
221
被引数:
6.0K
机构
引用论文
分享收藏Application of random threshold neural networks for diagnostics of micro machine tool condition
PREAI
分享收藏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 LEARNINGOAAI
MACHINE LEARNINGIF2.9
OAAI分享收藏Hyperdimensional Computing: An Introduction to Computing in Distributed Representation with High-Dimensional Random Vectors超维计算: 高维随机向量分布式表示计算简介
PREAI
分享收藏Bake off redux: a review and experimental evaluation of recent time series classification algorithmsOAAI
OAAI分享收藏Classification and Recall With Binary Hyperdimensional Computing: Tradeoffs in Choice of Density and Mapping Characteristics使用二进制超维计算进行分类和召回: 在选择密度和映射特征时的权衡
PREAI
分享收藏分享收藏
查看更多内容