HIVE-COTE 2.0: a new meta ensemble for time series classification

特定の種類の鳥の鳴き声だけを聞いて、その鳥の種類を特定しようとしていると想像してください。ある鳥は明確なリズムを持ち、別の鳥は独特のピッチを持ち、さらに別の鳥は数秒ごとに繰り返されるパターンを持っています。リズムだけを聞いていれば、ピッチを見逃すかもしれません。ピッチだけを聞いていれば、パターンを見逃すかもしれません。最良の結果を得るためには、それぞれ異なる要素に耳を傾ける専門家チームが必要であり、さらに誰を最も信頼すべきかを決定する賢明な管理者が必要です。

これはまさに、論文HIVE-COTE 2.0が扱っている内容です。これは時系列分類のための新しい「スーパーチーム」を導入するものです。簡単に言えば、時系列分類とは、心電図モニター、株価、または地震計のように、時間とともに変化するデータの列を見て、それがどのカテゴリに属するかを決定するタスクです。

ここでは、日常の比喩を用いて、この新しいシステムがどのように機能するかを解説します。

問題：一つのツールでは不十分

長年にわたり、科学者たちは完璧な「鳥の鳴き声検出器」（あるいは時系列分類器）の構築を試みてきました。あるツールは繰り返されるパターンを見つけるのが得意です（単語の辞書のよう）。他のツールはデータ内の特定の形状を見つけるのが得意です（形状検出器のように）。また、あるツールは短い時間区間を見るのが得意です。

以前のチャンピオンであったHIVE-COTE 1.0は「メタアンサンブル」でした。これは、異なる専門家（アルゴリズム）が答えについて投票する委員会のようなものです。非常に正確でしたが、非常に遅く、時には時代遅れのツールを使用していました。

解決策：HIVE-COTE 2.0（新しいスーパー委員会）

著者らは**HIVE-COTE 2.0（HC2）**を構築しました。彼らは単に古い委員会を微調整したのではなく、古い専門家の 3 人を解雇し、4 人の全く新しい、高度に専門化された専門家を雇いました。また、投票を数える管理者もアップグレードしました。

チームに新たに加わった 4 人の「専門家」は以下の通りです。

1. Temporal Dictionary Ensemble (TDE)（時系列辞書アンサンブル）:

   • 比喩: 歌を単語のリストに翻訳すると想像してください。「ドゥム・ドゥム・カ」が「単語 A、単語 B」になります。TDE は時系列データを見て、それを「単語の袋」に変換します。単語が何回出現するかを数えるだけでなく、いつ出現し、どのようにグループ化されているかを観察します。これは、語彙だけでなくデータの文法も理解する言語学者のようなものです。
   • アップグレード: 新しいバージョンは、メモリ不足になることなく、複数の「チャネル」（左右のスピーカーを持つステレオ録音など）を持つデータを処理する能力が大幅に向上しました。

2. Diverse Representation Canonical Interval Forest (DrCIF)（多様な表現正規区間フォレスト）:

   • 比喩: 長い映画を数千の小さなクリップに切り取ることを想像してください。DrCIF はランダムなクリップを選び、異なる角度（元の映像、アクションの速度、音の周波数）からそれらを観察し、「この特定の 5 秒間のクリップは、これがどの映画かを教えてくれるか？」と問いかけます。これに基づいて、時間の小さなランダムなスライスから決定木を森林のように構築します。
   • アップグレード: 2 つの古い手法の最良の機能を組み合わせ、データを同時に 3 つの異なる方法で観察する、超効率的なツールになりました。

3. The Arsenal (A ROCKET Ensemble)（兵器庫：ROCKET アンサンブル）:

   • 比喩: 「ROCKET」法は、データに何千ものランダムな網を投げ入れて、何が引っかかるかを見るようなものです。非常に高速です。しかし、元の ROCKET は「80% 確信している」と「90% 確信している」を区別するのが苦手で、単に「はい」または「いいえ」と叫ぶだけでした。
   • アップグレード: 「兵器庫」は、小さな ROCKET たちが協力する部隊です。1 つの大きな網ではなく、多くの小さな網を使用し、答えについて投票します。これにより、確信度の高い確率推定（例：「これは地震である確率は 95% です」）が可能になり、メインの委員会が良質な決定を下すために不可欠な要素となります。

4. Shapelet Transform Classifier (STC)（形状変換分類器）:

   • 比喩: この専門家は、データ内に現れる特定の、認識可能な「形状」や「部分歌」を探します。特定のギザギザしたスパイクが常に発作の前に現れる場合、STC はそのスパイクを見つけ出します。
   • アップグレード: 著者らはこの検索をより賢くしました。すべての可能な形状をチェックする（これには永遠にかかります）のではなく、設定された時間制限内で最良のものをランダムに検索し、立ち往生したり「過学習」（訓練データを完璧に暗記しすぎる）したりするのを防ぎます。

管理者：CAWPE

これら 4 人の専門家がデータを分析した後、それぞれが確率推定値を管理者（CAWPEと呼ばれます）に送ります。

• 仕組み: 管理者は単なる単純平均を取るわけではありません。各専門家が訓練中にどの程度うまく機能したかを観察します。「辞書専門家」が通常 90% の確率で正解していた場合、管理者は 60% の確率でしか正解しなかった「区間専門家」よりも、彼らの話をより真剣に聞きます。
• 結果: この重み付け投票システムにより、最も信頼性の高い専門家が最終決定において最大の発言権を持つことを保証します。

結果：レースの勝者は誰か

著者らは、この新しいチームを、現在の「最先端」のチャンピオン（深層学習モデルや他の高速アルゴリズムを含む）と対比させ、112 の異なるデータセット（心拍、電力使用量、昆虫の音など）でテストしました。

• 精度: HIVE-COTE 2.0 は明確な勝者でした。他のすべてのトップ競合他社よりも有意に高い精度を達成しました。平均して、誰よりも頻繁に正解しました。
• 多変量データ: また、以前の手法が苦労していた、複数の次元を持つデータ（カラーチャネルを持つ動画や X、Y、Z 軸を持つセンサーなど）においても勝利しました。
• トレードオフ（速度対精度）:
  • 論文は、HIVE-COTE 2.0 が最速の手法（ROCKET）よりも遅いことを認めています。瞬間的な答えが必要な場合、ROCKET の方が優れています。
  • しかし、可能な限り最も正確な答えが必要で、少し長く待てる場合、HIVE-COTE 2.0 が最良の選択です。
  • これを支援するため、システムには「時間契約」機能があります。「1 時間作業する時間がある」と伝えると、その 1 時間内にできるだけ多くの専門家を作成し、その制限内で見つけられる最良の答えを提供します。

まとめ

HIVE-COTE 2.0は、時間ベースのデータを分析するための「最高の委員会」です。4 つの異なるタイプの専門家（単語パターンを見るもの、時間をスライスするもの、ランダムな網を使用するもの、形状を見つけるもの）を組み合わせ、賢明な管理者が彼らの投票に重み付けをさせることで、単一の手法や以前のチームよりも高い精度を達成します。最速のアルゴリズムよりも実行に時間がかかりますが、この種の問題に対して現在利用可能な最高レベルの精度を提供します。