DTW-GBC: Classificazione Robusta di Serie Temporali con Granular Balls

È stato introdotto un nuovo approccio noto come Granular Ball Computing basato su DTW (DTW-GBC) per migliorare l'efficienza e la robustezza della classificazione di serie temporali utilizzando il Dynamic Time Warping (DTW). Mentre i classificatori tradizionali basati su DTW e Nearest-Neighbor (NN) funzionano bene, sono suscettibili a errori dovuti a dati di addestramento etichettati erroneamente e richiedono numerosi calcoli DTW durante l'inferenza. DTW-GBC affronta questo problema raggruppando campioni di addestramento temporalmente simili in granular balls e classificando a livello di granulo, il che diminuisce il numero di confronti necessari. Sono state create due strategie per costruire granular balls per DTW-GBC. Test su quattro dataset di riferimento con rumore di etichetta simmetrico hanno indicato che entrambe le varianti di DTW-GBC riducono efficacemente il calo di prestazioni dovuto al rumore di etichetta e richiedono significativamente meno confronti rispetto al 1-NN basato su DTW durante l'inferenza. I risultati implicano che DTW-GBC raggiunge un equilibrio vantaggioso tra robustezza della classificazione ed efficienza dell'inferenza. Questa ricerca è accessibile su arXiv con l'identificatore 2608.11704 nella categoria Computer Science > Machine Learning.