[论文解读] 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 10

一句话总结

MultiRocket 通过使用多种卷积核变换扩展特征集，提升了 MiniRocket 在时间序列分类任务中的准确率，在 UCR 数据集上实现了最先进性能，同时相比同类高精度方法快了数个数量级。它在不牺牲速度的前提下，显著优于 Rocket 和 MiniRocket。

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

研究动机与目标

• 解决如 MiniRocket 这类快速时间序列分类器与 HIVE-COTE 等最先进方法之间的准确率差距。
• 在不产生高昂计算成本的前提下提升 MiniRocket 的性能。
• 开发一种在保持 MiniRocket 速度的同时显著提高分类准确率的方法。

提出的方法

• MultiRocket 通过使用多种卷积核生成多个特征图，扩展了 MiniRocket。
• 它应用更广泛的随机卷积核，从时间序列输入中提取更全面的统计摘要。
• 该方法聚合多个卷积核变换的输出，以丰富特征表示。
• 通过使用固定且随机初始化的卷积核而非学习它们，保留了 MiniRocket 的高效性。
• 扩展的特征集使模型能更好地区分时间序列类别。
• 最终分类器在增强的特征集上进行训练，准确率高于 MiniRocket 或 Rocket。

实验结果

研究问题

• RQ1 扩展 MiniRocket 的特征集是否能在不牺牲速度的前提下提升其分类准确率？
• RQ2 在 UCR 时间序列基准测试中，MultiRocket 与 HIVE-COTE 及其他最先进方法相比，准确率如何？
• RQ3 通过特征集扩展，Rocket 和 MiniRocket 的性能可提升到何种程度？

主要发现

• MultiRocket 在 UCR 时间序列分类基准上实现了最先进准确率，优于 Rocket 和 MiniRocket。
• 该方法的推理速度比 HIVE-COTE 和其他高精度方法快了数个数量级。
• 与 MiniRocket 相比，计算成本仅略有增加，但准确率显著提升。
• MultiRocket 表明，特征集扩展是提升时间序列分类性能的高效策略。
• 该方法在准确率相近的替代方案中仍显著快于其他方法，仅逊于其前代模型。