CLaP — State Detection from Time Series

要約

機械、スマートデバイス、環境からの増え続ける量のセンサーデータは、高解像度の未解決の時系列（TS）の豊富さにつながります。
これらの記録は、潜在状態の認識可能な特性と、抽象的なプロセスとしてモデル化できる物理現象からの移行をコードします。
これらの状態とその遷移の監視されていないローカリゼーションと識別は、時系列状態検出（TSSD）のタスクです。
TSSDの新しい非常に正確で効率的なアルゴリズムであるCLAPを紹介します。
データセグメントが同じ状態から出現するかどうかを検出するために、新しい自己監視手法を適用することにより、監視されていない設定でのTSSDの時系列分類の予測力を活用します。
この目的のために、CLAPはセグメントで標識されたサブシーケンスを備えた分類器を交差検証して、セグメント間の混乱を定量化します。
これが全体的な分類品質の向上につながる場合、同じ潜在状態を表す、混乱の高いセグメントからのラベルをマージします。
4つのベンチマークから391 TSを使用して実験的評価を実施しましたが、5つの最先端の競合他社よりも、CLAPが検出状態で大幅に正確であることがわかりました。
最高の精度を回避するトレードオフを達成し、大規模なTSにとってスケーラブルです。
TS分析ワークフローに展開できるCLAPのPython実装を提供します。

要約(オリジナル)

The ever-growing amount of sensor data from machines, smart devices, and the environment leads to an abundance of high-resolution, unannotated time series (TS). These recordings encode the recognizable properties of latent states and transitions from physical phenomena that can be modelled as abstract processes. The unsupervised localization and identification of these states and their transitions is the task of time series state detection (TSSD). We introduce CLaP, a new, highly accurate and efficient algorithm for TSSD. It leverages the predictive power of time series classification for TSSD in an unsupervised setting by applying novel self-supervision techniques to detect whether data segments emerge from the same state or not. To this end, CLaP cross-validates a classifier with segment-labelled subsequences to quantify confusion between segments. It merges labels from segments with high confusion, representing the same latent state, if this leads to an increase in overall classification quality. We conducted an experimental evaluation using 391 TS from four benchmarks and found CLaP to be significantly more precise in detecting states than five state-of-the-art competitors. It achieves the best accuracy-runtime tradeoff and is scalable to large TS. We provide a Python implementation of CLaP, which can be deployed in TS analysis workflows.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google