Nieuwe methode voor tijdreeksanalyse bij ongebalanceerde data

In de wetenschappelijke literatuur is een nieuwe methode beschreven die zich richt op het inschatten van verhoudingen binnen ongelijke datasets van tijdreeksen. Het systeem, aangeduid als CC-GMNet-TS, maakt gebruik van geavanceerde neurale netwerken om data te analyseren waarin bepaalde categorieën veel minder vaak voorkomen dan andere. Hierbij worden specifieke wiskundige modellen ingezet om de onderliggende structuur van de gegevens per klasse beter in kaart te brengen.

Toepassingen in signaalanalyse

Dit soort kwantificeringsvraagstukken spelen met name in situaties waarin het niet draait om het herkennen van individuele datapunten, maar om het vaststellen van bredere trends en statistieken over grotere hoeveelheden metingen. Denk hierbij aan toepassingen in de medische sector bij het bewaken van biologische signalen, het detecteren van valincidenten of het automatisch herkennen van menselijke activiteiten. Binnen de machine learning-wereld is het omgaan met scheve of ongebalanceerde data een hardnekkig vraagstuk, waarvoor onderzoekers voortdurend nieuwe architecturen ontwikkelen om de betrouwbaarheid van voorspellingen te vergroten.