Deep Direct Discriminative Decoders for High-dimensional Time-series Data Analysis

要約

状態空間モデル（SSM）は、時系列データの分析に広く利用されている。SSMは、状態と観測過程の明示的な定義に依存している。これらの過程を特徴付けることは必ずしも容易ではなく、観測データの次元が大きくなったり、観測データの分布が正規分布から外れたりすると、モデリングの課題となる。ここでは、高次元の観測過程に対するSSMの新しい定式化を提案する。我々はこの解を深層直接識別デコーダ(D4)と呼ぶ。D4は、ディープニューラルネットワークの表現力とスケーラビリティをSSMの定式化にもたらし、高次元の観測信号を通して基礎となる状態過程を効率的に推定する新しい解を構築する。我々は、ローレンツアトラクター、ランジュバンダイナミクス、ランダムウォークダイナミクス、ラット海馬のスパイキング神経データなどのシミュレーションデータと実データでD4解を実証し、D4が従来のSSMやRNNよりも優れた性能を発揮することを示す。D4は、高次元観測とその根底にある潜在過程との間の接続を特徴付けることが難しい、より幅広いクラスの時系列データに適用することができる。

要約(オリジナル)

The state-space models (SSMs) are widely utilized in the analysis of time-series data. SSMs rely on an explicit definition of the state and observation processes. Characterizing these processes is not always easy and becomes a modeling challenge when the dimension of observed data grows or the observed data distribution deviates from the normal distribution. Here, we propose a new formulation of SSM for high-dimensional observation processes. We call this solution the deep direct discriminative decoder (D4). The D4 brings deep neural networks’ expressiveness and scalability to the SSM formulation letting us build a novel solution that efficiently estimates the underlying state processes through high-dimensional observation signal. We demonstrate the D4 solutions in simulated and real data such as Lorenz attractors, Langevin dynamics, random walk dynamics, and rat hippocampus spiking neural data and show that the D4 performs better than traditional SSMs and RNNs. The D4 can be applied to a broader class of time-series data where the connection between high-dimensional observation and the underlying latent process is hard to characterize.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL