[논문 리뷰] Use Short Isometric Shapelets to Accelerate Binary Time Series Classification

Shu, Weibo, Yao, Yaqiang외 3명|arXiv (Cornell University)|2019. 12. 27.

Time Series Analysis and Forecasting인용 수 8

한 줄 요약

이 논문은 이sovolumetric shapelet transform(SIST)를 제안하며, 더 빠른 거리 계산을 위해 shapelet 길이를 고정하고 앙상블 분류기 대신 단일 선형 분류기를 사용함으로써 이진 시계열 분류를 가속화하는 새로운 알고리즘을 제시한다. SIST는 다양한 데이터셋에서 학습 시간을 94.4%에서 99.5%까지 감소시키면서도 거의 손실이 없는 정확도를 달성하여 성능을 희생시키지 않은 채 뚜렷한 효율성 향상을 보여준다.

ABSTRACT

In the research area of time series classification, the ensemble shapelet transform algorithm is one of state-of-the-art algorithms for classification. However, its high time complexity is an issue to hinder its application since its base classifier shapelet transform includes a high time complexity of a distance calculation and shapelet selection. Therefore, in this paper we introduce a novel algorithm, i.e. short isometric shapelet transform, which contains two strategies to reduce the time complexity. The first strategy of SIST fixes the length of shapelet based on a simplified distance calculation, which largely reduces the number of shapelet candidates as well as speeds up the distance calculation in the ensemble shapelet transform algorithm. The second strategy is to train a single linear classifier in the feature space instead of an ensemble classifier. The theoretical evidences of these two strategies are presented to guarantee a near-lossless accuracy under some preconditions while reducing the time complexity. Furthermore, empirical experiments demonstrate the superior performance of the proposed algorithm.

연구 동기 및 목표

• 시계열 분류에서 앙상블 shapelet transform(ST) 알고리즘의 높은 시간 복잡도 문제를 해결하기 위해.
• 분류 정확도를 유지하면서 shapelet 추출 및 특징 공간 구축의 계산 비용을 줄이기 위해.
• 학습 속도를 높이기 위해 계산 비용이 큰 앙상블 분류기를 단일 선형 분류기로 대체하기 위해.
• 시간 복잡도 감소와 함께 최소한의 정확도 손실을 이끌어내는 이론적 근거를 제공하기 위해.
• 다양한 이진 시계열 데이터셋에서 제안된 SIST 알고리즘의 효과성과 효율성을 경험적으로 검증하기 위해.

제안 방법

• 거리 계산을 단순화함으로써 shapelet 후보 수를 줄이고 거리 계산 속도를 높이기 위해 shapelet 길이를 고정한다.
• 좌우 이완 요소를 가진 유연한 고정 거리 측정 방식을 사용하여 정확도와 효율성을 향상시킨다.
• ST의 앙상블 분류기를 shapelet 기반 특징 공간에서 훈련된 단일 선형 분류기로 대체한다.
• 이론적 분석을 통해 두 전략이 특정 전제 조건 하에서 거의 손실이 없는 정확도를 유지함을 보여준다.
• 모든 시계열이 동일한 길이를 가지는 등척도 시계열을 활용하여 shapelet 계산을 단순화한다.
• 경험적 평가에서는 272개의 이진 시계열 데이터셋을 사용하여 SIST와 기준 앙상블 ST 간의 초모수 설정을 비교한다.

실험 결과

연구 질문

• RQ1 shapelet 길이를 고정함으로써 shapelet 기반 시계열 분류의 시간 복잡도를 크게 감소시킬 수 있을까? 이로 인해 정확도가 손상되지 않을까?
• RQ2 shapelet 특징 공간에서 앙상블 분류기를 단일 선형 분류기로 대체하면 성능이 경쟁 가능하면서도 상당한 속도 향상이 이루어질까?
• RQ3 다양한 이진 시계열 데이터셋에서 SIST의 최적 성능을 얻기 위한 초모수 설정(예: shapelet 길이, 이완 요소, 겹침 삭제 여부)은 무엇인가?
• RQ4 제안된 두 전략이 다양한 데이터 크기 규모에서 시간 감소에 어떻게 기여하는가?
• RQ5 SIST의 성능 향상은 기준 앙상블 ST 알고리즘에 비해 통계적으로 유의미한가?

주요 결과

• SIST는 평가된 모든 데이터셋에서 앙상블 shapelet transform의 총 학습 시간을 94.4%에서 99.5%까지 감소시킨다.
• 작은 규모의 데이터셋에서는 첫 번째 전략(고정된 shapelet 길이)이 시간 감소에 가장 기여하지만, 큰 규모의 데이터셋에서는 두 번째 전략(단일 선형 분류기)이 주요 기여를 한다.
• 평균적으로 SIST는 평가된 272개의 이진 시계열 데이터셋 대부분에서 기준 앙상블 ST보다 높은 정확도를 달성한다.
• Friedman 검정을 통해 SIST는 '겹침 shapelet 삭제'를 '삭제하지 않음'과 비교해 유의미하게 선호하며, 'shapelet 길이 3'를 'shapelet 길이 4'보다 선호함을 확인했다.
• SIST는 '3·3', '3·4', '4·4'의 이완 요소 조합에 대해 유의미한 선호가 없지만, 이들 조합을 '4·3'보다 선호한다.
• 일반적으로 SIST는 더 많은 수의 shapelet을 선호하지만, 최적 설정은 데이터셋과 초모수에 따라 다양하다.