$k$-Graph: A Graph Embedding for Interpretable Time Series Clustering

要約

時系列のクラスタリングは、ドメイン全体の多様なアプリケーションで大きな課題をもたらします。
既存のソリューションの顕著な欠点は、限られた解釈可能性にあり、多くの場合、ユーザーにCentroidを提示することに限定されます。
このギャップに対処する際、私たちの作品は、時系列クラスタリングで解釈可能性を増強するために明示的に作成された監視されていない方法である$ K $ -Graphを提示します。
時系列サブシーケンスのグラフ表現を活用すると、$ K $ -GRAPHは、異なるサブシーケンス長に基づいて複数のグラフ表現を構築します。
この機能は、ユーザーがサブシーケンスの長さを事前に決定することを要求することなく、さまざまな長さの時系列に対応します。
私たちの実験結果は、$ K $ -Graphが現在の最先端の時系列クラスタリングアルゴリズムを精度で上回ると同時に、クラスタリング結果の意味のある説明と解釈をユーザーに提供することを明らかにしています。

要約(オリジナル)

Time series clustering poses a significant challenge with diverse applications across domains. A prominent drawback of existing solutions lies in their limited interpretability, often confined to presenting users with centroids. In addressing this gap, our work presents $k$-Graph, an unsupervised method explicitly crafted to augment interpretability in time series clustering. Leveraging a graph representation of time series subsequences, $k$-Graph constructs multiple graph representations based on different subsequence lengths. This feature accommodates variable-length time series without requiring users to predetermine subsequence lengths. Our experimental results reveal that $k$-Graph outperforms current state-of-the-art time series clustering algorithms in accuracy, while providing users with meaningful explanations and interpretations of the clustering outcomes.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google