[論文レビュー] Plotting time: On the usage of CNNs for time series classification

Nuno M. Rodrigues, João E. Batista+5 more|arXiv (Cornell University)|Feb 8, 2021

Time Series Analysis and Forecasting参考文献 5被引用数 9

ひとこと要約

本論文では、時系列データを2次元の線グラフ画像に変換し、基本的な畳み込みニューラルネットワーク（CNN）に与えることで、データ正規化や複雑なアーキテクチャを用いずに、複数のUCRデータセットおよび2つの実世界データセットで最先端の性能を達成する、シンプルでありながら効果的な時系列分類手法を提案している。このアプローチにより、最小限の前処理と標準的なCNNを用いることで、専用の最先端手法を上回ることを示している。

ABSTRACT

We present a novel approach for time series classification where we represent time series data as plot images and feed them to a simple CNN, outperforming several state-of-the-art methods. We propose a simple and highly replicable way of plotting the time series, and feed these images as input to a non-optimized shallow CNN, without any normalization or residual connections. These representations are no more than default line plots using the time series data, where the only pre-processing applied is to reduce the number of white pixels in the image. We compare our method with different state-of-the-art methods specialized in time series classification on two real-world non public datasets, as well as 98 datasets of the UCR dataset collection. The results show that our approach is very promising, achieving the best results on both real-world datasets and matching / beating the best state-of-the-art methods in six UCR datasets. We argue that, if a simple naive design like ours can obtain such good results, it is worth further exploring the capabilities of using image representation of time series data, along with more powerful CNNs, for classification and other related tasks.

研究の動機と目的

• シンプルな時系列の視覚的表現が、標準的なCNNを用いて高精度な分類を可能にするかを調査すること。
• 正規化や残差接続なしの最小限のアーキテクチャ（デフォルトのラインプロットと浅いCNN）を、複雑で特化した時系列分類アルゴリズムと比較して、その有効性を評価すること。
• 画像ベースの深層学習手法が、最先端の時系列分類モデルと同等またはそれを上回る性能を達成できるかを検証すること。
• 視覚的表現が、時系列解析のための実用的で未だに活用が少ない道筋である可能性を探索すること。

提案手法

• 時系列データを、白領域を減らす最小限の前処理を施した上で、標準的なラインプロットを用いて2次元の画像表現に変換する。
• 得られた画像を、最適化されておらず、残差接続のない浅いCNNに直接入力する。
• 前処理は、入力の効率を向上させるために画像内の白ピixelsの数を減らすことに限定される。
• CNNアーキテクチャは意図的に単純に保たれ、モデルの複雑さではなく視覚的表現の有効性に焦点を当てる。
• 本手法は、単変量および多変量時系列の両方に対応しており、一貫した画像変換および分類パイプラインが適用される。

実験結果

リサーチクエスチョン

• RQ1 標準的なラインプロットのようなシンプルな時系列データの視覚的表現が、CNNの入力として効果的に使用可能か。
• RQ2 正規化や残差接続なしの最小限のCNNアーキテクチャが、最先端の時系列分類モデルと比較して競争力のある性能を発揮するか。
• RQ3 画像ベースのアプローチの性能が、実世界およびベンチマークデータセットにおいて、特化した時系列アルゴリズムと比べてどの程度か。
• RQ4 オフザシェルのコンピュータビジョンモデルを用いて、時系列データの視覚的性質をどの程度活用できるか。

主な発見

• 提案手法は、2つの実世界の非公開時系列データセットで最高の性能を達成し、既存の最先端手法を上回った。
• UCR時系列分類ベンチマークにおいて、本手法は6つのデータセット（'GunPoint'、'Ham'、'Yoga'など）で最先端の結果と同等またはそれを上回った。
• 本手法は、'FaceAll'、'FaceFour'、'Fish'など18のUCRデータセットで100％の正確度を達成し、複数の最先端手法も同様に完璧なスコアを達成していた。
• HIVE-COTE や TS-CHIEF といった複雑なアンサンブルモデルよりも、'DistalPhalanxOutlineAgeGroup' や 'Earthquakes' などの複数のデータセットで優れた性能を示した。
• 結果から、特化した特徴工学や複雑なアーキテクチャを用いずに、単純な視覚的表現と基本的なCNNを組み合わせることで、競争力のある性能が達成可能であることが示された。
• 本研究は、特にシンプルな画像ベースの深層学習を用いた時系列データの視覚的表現が、今後の研究において有望でかつ未だに活用が少ない分野である可能性を示唆している。