E2USD: Efficient-yet-effective Unsupervised State Detection for Multivariate Time Series

要約

我々は、効率的かつ正確な教師なしMTS状態検出を可能にするE2USDを提案する。E2USDは、高速フーリエ変換ベースの時系列圧縮器（FFTCompress）と分解デュアルビュー埋め込みモジュール（DDEM）を利用し、低い計算オーバーヘッドで入力MTSを符号化する。さらに、偽陰性の影響を打ち消し、よりクラスタに優しい埋め込み空間を実現するために、偽陰性キャンセル対照学習法（FNCCLearning）を提案する。ストリーミング環境における計算オーバヘッドをさらに削減するために、適応的閾値検出（ADATD）を導入する。6つのベースラインと6つのデータセットを用いた包括的な実験により、E2USDが計算オーバヘッドを大幅に削減しながらSOTA精度を実現できることを証明する。我々のコードはhttps://github.com/AI4CTS/E2Usd。

要約(オリジナル)

We propose E2USD that enables efficient-yet-accurate unsupervised MTS state detection. E2USD exploits a Fast Fourier Transform-based Time Series Compressor (FFTCompress) and a Decomposed Dual-view Embedding Module (DDEM) that together encode input MTSs at low computational overhead. Additionally, we propose a False Negative Cancellation Contrastive Learning method (FNCCLearning) to counteract the effects of false negatives and to achieve more cluster-friendly embedding spaces. To reduce computational overhead further in streaming settings, we introduce Adaptive Threshold Detection (ADATD). Comprehensive experiments with six baselines and six datasets offer evidence that E2USD is capable of SOTA accuracy at significantly reduced computational overhead. Our code is available at https://github.com/AI4CTS/E2Usd.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL