[論文レビュー] MultiRocket: Effective summary statistics for convolutional outputs in time series classification.

Chang Wei Tan, Angus Dempster+2 more|arXiv (Cornell University)|Jan 31, 2021

Time Series Analysis and Forecasting被引用数 10

ひとこと要約

MultiRocket は、複数のカーネル変換を用いて特徴量セットを拡張することで、MiniRocket の時系列分類精度を向上させ、UCR アーカイブで最先端の性能を達成している。他の正確な手法と比較して、1000倍以上も高速であり、Rocket や MiniRocket よりも顕著に性能を向上させつつ、速度を損なわない。

ABSTRACT

Rocket and MiniRocket, while two of the fastest methods for time series classification, are both somewhat less accurate than the current most accurate methods (namely, HIVE-COTE and its variants). We show that it is possible to significantly improve the accuracy of MiniRocket (and Rocket), with some additional computational expense, by expanding the set of features produced by the transform, making MultiRocket (for MiniRocket with Multiple Features) overall the single most accurate method on the datasets in the UCR archive, while still being orders of magnitude faster than any algorithm of comparable accuracy other than its precursors

研究の動機と目的

• 高速な時系列分類器（例：MiniRocket）と、最も正確な既存手法（例：HIVE-COTE）との間の精度格差を是正すること。
• 計算コストが著しく増大するリスクを伴わずに、MiniRocket の性能を向上させること。
• MiniRocket の速度を維持しつつ、分類精度を顕著に向上させる手法を開発すること。

提案手法

• MultiRocket は、多様な畳み込みカーネルを用いて複数の特徴マップを生成することで、MiniRocket を拡張する。
• より広範なランダムカーネルのセットを適用し、時系列入力からの包括的な統計要約を抽出する。
• 複数のカーネル変換からの出力を集約することで、特徴表現を豊かにする。
• 学習しない固定されたランダム初期化カーネルを用いることで、MiniRocket の効率性を維持する。
• 拡張された特徴量セットにより、時系列クラス間の識別能が向上する。
• 最終分類器は、強化された特徴量セット上で学習され、MiniRocket や Rocket よりも高い精度を達成する。

実験結果

リサーチクエスチョン

• RQ1 MiniRocket の特徴量セットを拡張することで、速度を損なわずに分類精度を向上させることができるか？
• RQ2 MultiRocket は、UCR 時系列ベンチマークにおいて HIVE-COTE や他の最先端手法と比較して、どの程度の精度を示すか？
• RQ3 特徴量セットの拡張によって、Rocket や MiniRocket の性能はどの程度向上できるか？

主な発見

• MultiRocket は、UCR 時系列分類ベンチマークで最先端の精度を達成し、Rocket や MiniRocket を上回っている。
• HIVE-COTE や他の高精度手法と比較して、1000倍以上も高速な推論を維持している。
• MiniRocket と比較して、計算コストの増加はわずかに抑えられている。
• MultiRocket は、特徴量セットの拡張が時系列分類における性能向上に非常に効果的であることを示している。
• 他の同等の精度を持つ代替手法と比較して、著しく高速であるが、それらの先行手法を除いては依然として優れている。