Zweite-Ordnung-Vertrauensnetzwerk für die frühe Klassifikation von Zeitreihen

Zeitreihendaten sind in zahlreichen Disziplinen allgegenwärtig. Die frühe Klassifikation von Zeitreihen, die darauf abzielt, die Klassenbezeichnung einer Zeitreihe so früh und präzise wie möglich vorherzusagen, stellt eine bedeutende, jedoch herausfordernde Aufgabe in vielen zeitkritischen Anwendungen dar. Bisherige Ansätze nutzen hauptsächlich heuristische Stoppregeln, um Stopp-Signale aus den Vorhersageergebnissen von Zeitreihen-Klassifikatoren zu extrahieren. Diese heuristischen Regeln können jedoch nur offensichtliche Stopp-Signale erfassen, wodurch diese Ansätze entweder korrekte, jedoch zu späte Vorhersagen liefern oder frühzeitige, jedoch falsche Vorhersagen treffen. Um dieses Problem zu bewältigen, schlagen wir ein neuartiges zweiter-Ordnung-Vertrauensnetzwerk für die frühe Klassifikation von Zeitreihen vor, das in einem einheitlichen Rahmen automatisch lernen kann, implizite Stopp-Signale in frühen Zeitreihen zu erfassen. Das vorgeschlagene Modell nutzt tiefe neuronale Modelle, um zeitliche Muster zu erfassen und gibt eine zweite Ordnung des Vertrauens aus, um implizite Stopp-Signale zu reflektieren. Insbesondere berücksichtigt unser Modell nicht nur Daten eines einzelnen Zeitpunkts, sondern auch die Sequenz der Wahrscheinlichkeiten, um Stopp-Signale zu erfassen. Durch die Kombination der Stopp-Signale aus den Klassifikatorausgaben und dem zweiten Ordnung-Vertrauen entwerfen wir einen robusteren Auslöser, um zu entscheiden, ob weitere Beobachtungen aus zukünftigen Zeitpunkten angefordert werden sollen. Experimentelle Ergebnisse zeigen, dass unser Ansatz im Vergleich zu aktuellen state-of-the-art-Verfahren bei der frühen Klassifikation überlegene Ergebnisse erzielt.