要約
時系列データは、さまざまな分野に広く存在する。時系列の早期分類とは、時系列データのクラスラベルをできるだけ早くかつ正確に予測することを目的とする課題であり、時間に敏感なアプリケーションにおいて重要な一方で、困難なタスクである。従来の手法は、主にヒューリスティックな停止ルールを用いて、時系列分類器の予測結果から停止信号を抽出していた。しかし、ヒューリスティックな停止ルールは明確な停止信号しか捉えられず、その結果、これらの手法は「正確ではあるが遅い予測」または「早期ではあるが誤った予測」というジレンマに陥ってしまう。この問題に対処するため、本研究では、時系列の初期段階における潜在的な停止信号を統一的な枠組み内で自動的に学習・抽出できる新たな2次信頼度ネットワークを提案する。本モデルは深層ニューラルネットワークを活用して時系列の時間的パターンを捉え、その結果として2次信頼度（second-order confidence）を出力することで、潜在的な停止信号を反映する。具体的には、時間ステップ単位のデータだけでなく、確率系列の情報も活用し、停止信号をより包括的に捉える。分類器の出力から得られる停止信号と、本モデルが生成する2次信頼度を統合することで、将来の時間ステップからの観測を要求するかどうかをより堅牢に判断するトリガー機構を設計した。実験結果から、本手法は最先端の手法と比較して、早期分類性能において優れた成果を達成できることを示した。