Multi-Granularity Framework for Unsupervised Representation Learning of Time Series

要約

表現学習は時系列データの分析において重要な役割を果たし、幅広いアプリケーションにわたって高い実用的価値があります。
傾向分析、時系列データの取得、予測が含まれます。
実際には、データの混乱は、データ分析、機械学習モデル、意思決定プロセスの有効性と精度に大きな影響を与える可能性があるため、重大な問題です。
一般に、以前の研究ではさまざまな粒度レベルでの変動が考慮されていなかったため、情報の利用が不十分になり、データの混乱の問題がさらに悪化しました。
本稿では、時系列の多粒度表現学習を実現するための教師なしフレームワークを提案する。
具体的には、粒度横断変換を使用して、粒度の細かい表現と粗い表現の間の関連付けを開発しました。
さらに、時系列の多粒度表現を学習するための教師なしトレーニング タスクとして検索タスクを導入しました。
さらに、教師なし学習を通じて時系列の包括的な多粒度表現を取得するために、新しい損失関数が設計されました。
実験結果から、提案されたフレームワークが代替表現学習モデルに比べて大きな利点を示していることが明らかになりました。

要約(オリジナル)

Representation learning plays a critical role in the analysis of time series data and has high practical value across a wide range of applications. including trend analysis, time series data retrieval and forecasting. In practice, data confusion is a significant issue as it can considerably impact the effectiveness and accuracy of data analysis, machine learning models and decision-making processes. In general, previous studies did not consider the variability at various levels of granularity, thus resulting in inadequate information utilization, which further exacerbated the issue of data confusion. This paper proposes an unsupervised framework to realize multi-granularity representation learning for time series. Specifically, we employed a cross-granularity transformer to develop an association between fine- and coarse-grained representations. In addition, we introduced a retrieval task as an unsupervised training task to learn the multi-granularity representation of time series. Moreover, a novel loss function was designed to obtain the comprehensive multi-granularity representation of the time series via unsupervised learning. The experimental results revealed that the proposed framework demonstrates significant advantages over alternative representation learning models.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google