Resumen

Como representación de rasgos discriminativos, el shapelet de series temporales ha recibido recientemente un considerable interés de investigación. Sin embargo, la mayoría de los modelos de clasificación basados en shapelets evalúan la capacidad diferencial del shapelet en todo el conjunto de datos de entrenamiento, descuidando la información característica contenida en cada instancia a clasificar y la información de frecuencia de las características por clase. Por lo tanto, la complejidad computacional de la extracción de características es alta, y la interpretabilidad es inadecuada. Para ello, se mejora la eficiencia del descubrimiento de shapelets mediante una estrategia perezosa que fusiona las similitudes globales y locales. En el proceso de predicción, la estrategia aprende un conjunto de datos de evaluación específico para cada instancia, y luego las características capturadas se utilizan directamente para reducir progresivamente la incertidumbre de la etiqueta de clase predicha. Además, se define una puntuación de cobertura shapelet para calcular la discriminabilidad de cada sello de tiempo para diferentes clases. Los resultados experimentales muestran que el método propuesto es competitivo con los métodos de referencia y proporciona una visión de las características discriminativas de cada serie temporal y de cada clase en los datos.

• Materias:Minería de datos Algoritmos genéticos Cerebro - fisiopatología Neurociencia Cognitiva Neurofisiología
• Subjects:Data mining Genetic algorithms Brain - pathophysiology Cognitive Neuroscience Neurophysiology
• Palabras claves:características discriminativas, considerable interés de investigación, etiqueta de clase predicha, shapelet de series temporales, información de frecuencia de las características, conjunto de datos de entrenamiento, modelo de clasificación basado, complejidad de las características, puntuación de cobertura de shapelet, marcas de tiempo
• Keywords:discriminative features, considerable research interest, predicted class label, time series shapelet, features frequency information, whole training dataset, based classification model, complexity of features, shapelet coverage score, time stamps