MTS2Graph: Interpretable Multivariate Time Series Classification with Temporal Evolving Graphs

要約

パターンのバッグまたはシェイプレットに基づく従来の時系列分類アプローチは、高次元多変量データからの膨大な量の特徴候補を処理する際に大きな課題に直面しています。
対照的に、ディープ ニューラル ネットワークは低次元の特徴を効率的に学習でき、特に畳み込みニューラル ネットワーク (CNN) は多変量時系列 (MTS) データの分類において有望な結果を示しています。
ディープ ニューラル ネットワークの成功の鍵となるのは、この驚くべき表現力です。
ただし、この能力は複雑でブラックボックス化されたモデルを犠牲にしており、信頼性が高く人間が理解できるモデルを構築するという目標と矛盾します。
このような予測深いモデルを理解する上で重要な基準には、分類に対する時変入力変数の寄与を定量化することが含まれます。
そこで本研究では、CNNニューロンを高度に活性化する入力代表パターンを抽出してクラスタリングすることにより、多変量時系列データを解釈するための新しいフレームワークを導入します。
このようにして、MTS 入力内の信号の考えられるすべての組み合わせを考慮して、各信号の役割と依存関係を特定します。
次に、抽出したパターン間の時間的関係を層ごとに捉えるグラフを構築します。
効果的なグラフ結合戦略は、各ノードと前の層のノードとの接続を見つけます。
最後に、グラフ埋め込みアルゴリズムにより、作成された解釈可能な時系列特徴の新しい表現が生成されます。
提案したフレームワークのパフォーマンスを評価するために、UCR/UEA アーカイブの 8 つのデータセットと HAR および PAM データセットに対して広範な実験を実行しました。
この実験は、MTS 分類における時間認識グラフベースの表現の利点を示し、同時に解釈可能性を高めています。

要約(オリジナル)

Conventional time series classification approaches based on bags of patterns or shapelets face significant challenges in dealing with a vast amount of feature candidates from high-dimensional multivariate data. In contrast, deep neural networks can learn low-dimensional features efficiently, and in particular, Convolutional Neural Networks (CNN) have shown promising results in classifying Multivariate Time Series (MTS) data. A key factor in the success of deep neural networks is this astonishing expressive power. However, this power comes at the cost of complex, black-boxed models, conflicting with the goals of building reliable and human-understandable models. An essential criterion in understanding such predictive deep models involves quantifying the contribution of time-varying input variables to the classification. Hence, in this work, we introduce a new framework for interpreting multivariate time series data by extracting and clustering the input representative patterns that highly activate CNN neurons. This way, we identify each signal’s role and dependencies, considering all possible combinations of signals in the MTS input. Then, we construct a graph that captures the temporal relationship between the extracted patterns for each layer. An effective graph merging strategy finds the connection of each node to the previous layer’s nodes. Finally, a graph embedding algorithm generates new representations of the created interpretable time-series features. To evaluate the performance of our proposed framework, we run extensive experiments on eight datasets of the UCR/UEA archive, along with HAR and PAM datasets. The experiments indicate the benefit of our time-aware graph-based representation in MTS classification while enriching them with more interpretability.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google