Motion Code: Robust Time series Classification and Forecasting via Sparse Variational Multi-Stochastic Processes Learning

要約

広範囲に研究されているにもかかわらず、時系列の分類とノイズのあるデータの予測は依然として非常に困難です。
主な課題は、時系列を記述するための適切な数学的概念を見つけ、真の信号からノイズを効果的に分離することにあります。
以前の方法でよく見られたように、時系列を静的ベクトルまたはデータ シーケンスとして扱う代わりに、固定長である必要はない各時系列を連続時間確率過程のサンプル実現として考慮する新しいフレームワークを導入します。
このような数学的モデルは、複数のタイムスタンプにわたるデータの依存性を明示的に捕捉し、ノイズから隠れた時間依存信号を検出します。
ただし、基礎となるデータは複数の異なるダイナミクスで構成されていることが多いため、単一の確率プロセスを使用したモデリングでは十分ではありません。
このような設定を処理するには、まず各ダイナミクスに署名ベクトルを割り当てます。
次に、割り当てられたベクトルに基づいて個々のダイナミクスのまばらな近似を推測するために、最も有益なタイムスタンプの抽象的な概念を提案します。
モーション コードと呼ばれる最終モデルには、統合された方法でさまざまな基礎となるダイナミクスを完全にキャプチャできるパラメーターが含まれています。
これにより、分離分類と特定のサブタイプ予測の生成を同時に行うことができます。
センサーやデバイスのノイズの多い時系列データに関する広範な実験により、時系列分類および予測ベンチマークに対する Motion Code の競争力が実証されました。

要約(オリジナル)

Despite being extensively studied, time series classification and forecasting on noisy data remain highly difficult. The main challenges lie in finding suitable mathematical concepts to describe time series and effectively separating noise from the true signals. Instead of treating time series as a static vector or a data sequence as often seen in previous methods, we introduce a novel framework that considers each time series, not necessarily of fixed length, as a sample realization of a continuous-time stochastic process. Such mathematical model explicitly captures the data dependence across several timestamps and detects the hidden time-dependent signals from noise. However, since the underlying data is often composed of several distinct dynamics, modeling using a single stochastic process is not sufficient. To handle such settings, we first assign each dynamics a signature vector. We then propose the abstract concept of the most informative timestamps to infer a sparse approximation of the individual dynamics based on their assigned vectors. The final model, referred to as Motion Code, contains parameters that can fully capture different underlying dynamics in an integrated manner. This allows unmixing classification and generation of specific sub-type forecasting simultaneously. Extensive experiments on sensors and devices noisy time series data demonstrate Motion Code’s competitiveness against time series classification and forecasting benchmarks.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google