Discovering group dynamics in synchronous time series via hierarchical recurrent switching-state models

要約

私たちは、同じ期間に相互作用する複数のエンティティから生じる時系列のコレクションをモデル化しようとしています。
個別の時系列のモデリングに焦点を当てた最近の研究は、集合的なシステムレベルの動作が個々のエンティティの軌跡に影響を与える、私たちが意図するアプリケーションには不十分です。
このような問題に対処するために、教師なしでトレーニングしてシステムレベルと個人レベルの両方のダイナミクスを同時に説明できる新しい階層型スイッチング状態モデルを提案します。
我々は、潜在的なシステムレベルの離散状態マルコフ連鎖を採用し、これが潜在的なエンティティレベルの連鎖を駆動し、それが観測された各時系列のダイナミクスを制御します。
エンティティ レベルとシステム レベルの両方で観察からチェーンへのフィードバックにより、コンテキスト依存の状態遷移を介して柔軟性が向上します。
私たちの階層スイッチング反復動的モデルは、個々の時系列の数で線形にスケールするすべての潜在チェーンへの閉形式変分座標上昇更新を介して学習できます。
これは、漸近的には、各エンティティに個別のモデルを当てはめるよりもコストがかかりません。
合成データセットと実際のデータセットの実験により、私たちのモデルが既存の方法よりも将来のエンティティの動作をより正確に予測できることがわかりました。
さらに、エンティティ レベルとシステム レベルの両方で潜在状態チェーンを利用できるため、グループ ダイナミクスの解釈が可能になります。

要約(オリジナル)

We seek to model a collection of time series arising from multiple entities interacting over the same time period. Recent work focused on modeling individual time series is inadequate for our intended applications, where collective system-level behavior influences the trajectories of individual entities. To address such problems, we present a new hierarchical switching-state model that can be trained in an unsupervised fashion to simultaneously explain both system-level and individual-level dynamics. We employ a latent system-level discrete state Markov chain that drives latent entity-level chains which in turn govern the dynamics of each observed time series. Feedback from the observations to the chains at both the entity and system levels improves flexibility via context-dependent state transitions. Our hierarchical switching recurrent dynamical models can be learned via closed-form variational coordinate ascent updates to all latent chains that scale linearly in the number of individual time series. This is asymptotically no more costly than fitting separate models for each entity. Experiments on synthetic and real datasets show that our model can produce better forecasts of future entity behavior than existing methods. Moreover, the availability of latent state chains at both the entity and system level enables interpretation of group dynamics.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google