Enhancing Representation Learning for Periodic Time Series with Floss: A Frequency Domain Regularization Approach

要約

時系列分析はさまざまなアプリケーション ドメインの基本的なタスクであり、深層学習アプローチはこの分野で顕著なパフォーマンスを実証しています。
ただし、現実世界の時系列データの多くは、既存の深層学習ベースのソリューションでは適切に捕捉できないことが多い、重要な周期的または準周期的なダイナミクスを示します。
これにより、対象となる根底にある動的動作が不完全に表現されることになります。
このギャップに対処するために、学習した表現を周波数領域で自動的に正規化する Floss と呼ばれる教師なし手法を提案します。
Floss メソッドは、まず時系列から主要な周期性を自動的に検出します。
次に、周期的なシフトとスペクトル密度の類似性測定を使用して、周期的な一貫性を備えた意味のある表現を学習します。
さらに、Floss は、教師あり、半教師あり、教師なしの学習フレームワークの両方に簡単に組み込むことができます。
私たちは、Floss の有効性を実証するために、一般的な時系列分類、予測、異常検出タスクに関する広範な実験を実施しています。
私たちは、設計上の選択を正当化するために、いくつかの代表的なディープ ラーニング ソリューションに Floss を組み込み、Floss が周期ダイナミクスを自動的に発見し、最先端のディープ ラーニング モデルを改善できることを実証しました。

要約(オリジナル)

Time series analysis is a fundamental task in various application domains, and deep learning approaches have demonstrated remarkable performance in this area. However, many real-world time series data exhibit significant periodic or quasi-periodic dynamics that are often not adequately captured by existing deep learning-based solutions. This results in an incomplete representation of the underlying dynamic behaviors of interest. To address this gap, we propose an unsupervised method called Floss that automatically regularizes learned representations in the frequency domain. The Floss method first automatically detects major periodicities from the time series. It then employs periodic shift and spectral density similarity measures to learn meaningful representations with periodic consistency. In addition, Floss can be easily incorporated into both supervised, semi-supervised, and unsupervised learning frameworks. We conduct extensive experiments on common time series classification, forecasting, and anomaly detection tasks to demonstrate the effectiveness of Floss. We incorporate Floss into several representative deep learning solutions to justify our design choices and demonstrate that it is capable of automatically discovering periodic dynamics and improving state-of-the-art deep learning models.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google