时间到模式：基于信息论的可扩展时间序列概括的无监督学习
摘要：时间序列摘要是从数据集中生成可解释和代表性子集的过程。现有的时间序列摘要方法通常使用一组手动设计的相似度函数来搜索重复子序列以摘要数据。然而，这种方法存在许多限制，包括耗时的搜索和启发式的序列相似度定义。这些方法影响了生成数据摘要的多样性和全面性。为了缓解这些限制，我们引入了一种时间序列摘要方法，称为"Time-to-Pattern"（T2P），旨在找到一组多样化的模式，共同编码最显著的信息，遵循最小描述长度的概念。T2P被实现为一种深度生成模型，它在一个特别设计的可解释的潜在空间上学习离散时间序列的信息嵌入。我们的合成和真实世界实验表明，即使在噪声和复杂环境中，T2P也能发现有意义的模式。此外，我们的结果还展示了T2P在模式多样性和处理可扩展性方面的改进性能，这充分证明了该算法在时间序列摘要中的有效性。
作者：Alireza Ghods, Trong Nghia Hoang, and Diane Cook
论文ID：2308.13722
分类：Machine Learning
分类简称：cs.LG
提交时间：2023-08-29