Early Classification of Time Series: Taxonomy and Benchmark

在许多情况下，所研究的现象的测量值是按顺序提供的，需要尽早进行类别预测，以避免产生过高的时间惩罚，但也不能太早，以免冒误分类的代价。这个问题在时间序列的情况下得到了广泛研究，被称为“时间序列的早期分类”（ECTS）。尽管它已经成为一个不断增长的文献体系的主题，但仍缺乏一个系统的、共享的评估方案，以比较各种现有方法的相对优点。本文首先将这些方法置于基于原则的分类法中，定义了组织它们评估的维度，然后报告了涉及九种最先进的ECTS算法的非常广泛的实验结果。此外，这些和其他实验可以使用一个开源库进行，其中大多数现有的ECTS算法已经被实现（参见\url{https://github.com/ML-EDM/ml_edm}）。

本论文旨在解决时间序列早期分类问题（Early Classification of Time Series, ECTS），即需要尽早对一个序列进行分类，以避免时间成本过高，但又不能过早分类导致错误。论文提出了一种基于原则的分类方法，并试图建立一个系统的评估协议来比较不同算法的优劣。这是一个相对新的问题，需要更多的研究。

本论文提出了基于原则的分类方法，通过定义评估维度来比较不同算法的优劣。这种方法可以用于解决ECTS问题，并且相比当前的研究有一定的创新。

本论文通过对九种最先进的ECTS算法进行大量实验，评估了它们在不同维度上的表现，并提供了一个开源库来实现这些算法。实验使用了多个数据集，并提出了一些值得深入研究的问题，例如如何更好地定义评估维度和评估标准。

最近的相关研究包括《Early classification on time series: a comprehensive survey》、《Early classification of time series: a scoping review》等。