La fonctionnalité de recherche est en construction.
La fonctionnalité de recherche est en construction.

The original paper is in English. Non-English content has been machine-translated and may contain typographical errors or mistranslations. ex. Some numerals are expressed as "XNUMX".
Copyrights notice

The original paper is in English. Non-English content has been machine-translated and may contain typographical errors or mistranslations. Copyrights notice

Semantic Relationship-Based Unsupervised Representation Learning of Multivariate Time Series Apprentissage par représentation non supervisée basé sur les relations sémantiques de séries temporelles multivariées

Chengyang YE, Qiang MA

  • Vues en texte intégral

    0

  • Citer

Résumé:

L'apprentissage des représentations est une tâche cruciale et complexe pour l'analyse de données de séries chronologiques multivariées, avec un large éventail d'applications, notamment l'analyse des tendances, la recherche de données de séries chronologiques et la prévision. En pratique, l’apprentissage non supervisé est fortement préféré en raison de la rareté des étiquetages. Cependant, la plupart des études existantes se concentrent sur la représentation de sous-séries individuelles sans considérer les relations entre les différentes sous-séries. Dans certains scénarios, cela peut entraîner des échecs de tâches en aval. Ici, un modèle d'apprentissage de représentation non supervisé est proposé pour les séries temporelles multivariées qui prend en compte la relation sémantique entre les sous-séries de séries temporelles. Plus précisément, la covariance calculée par le processus gaussien (GP) est introduite dans le mécanisme d'auto-attention, capturant les caractéristiques relationnelles de la sous-série. De plus, une nouvelle méthode non supervisée est conçue pour apprendre la représentation de séries temporelles multivariées. Pour relever les défis des longueurs variables des sous-séries d'entrée, une méthode de pooling de pyramide temporelle (TPP) est appliquée pour construire des vecteurs d'entrée de longueur égale. Les résultats expérimentaux montrent que notre modèle présente des avantages substantiels par rapport à d'autres modèles d'apprentissage des représentations. Nous avons mené des expériences sur l'algorithme proposé et les algorithmes de base dans deux tâches en aval : la classification et la récupération. Dans la tâche de classification, le modèle proposé a démontré les meilleures performances sur sept ensembles de données sur dix, atteignant une précision moyenne de 76 %. Dans la tâche de récupération, l'algorithme proposé a obtenu les meilleures performances sous différents ensembles de données et tailles cachées. Le résultat de l'étude sur l'ablation démontre également l'importance de la relation sémantique dans l'apprentissage de la représentation de séries chronologiques multivariées.

Publication
IEICE TRANSACTIONS on Information Vol.E107-D No.2 pp.191-200
Date de publication
2024/02/01
Publicisé
2023/11/16
ISSN en ligne
1745-1361
DOI
10.1587/transinf.2023EDP7046
Type de manuscrit
PAPER
Catégories
Intelligence artificielle, exploration de données

Auteurs

Chengyang YE
  Kyoto University
Qiang MA
  Kyoto University

Mots-clés

Table des matières