Interpretable Transformation and Analysis of Timelines through Learning via Surprisability
作者: Osnat Mokryn, Teddy Lazebnik, Hagit Ben Shoshan
发布时间: 2025-03-08
来源: arxiv
研究方向: 时间序列数据分析与异常检测
主要内容
本文提出了一种名为“通过惊讶度学习”（Learning via Surprisability, LvS）的新方法，用于转换和分析高维时间序列数据。LvS通过量化并优先处理时间序列数据中的异常值，将认知科学中的惊讶度概念与计算方法相结合，从而在保留关键上下文的同时检测异常和变化，为复杂数据集提供新的解释视角。
主要贡献
1. 提出了一种新的时间序列数据转换方法——通过惊讶度学习（LvS），该方法能够有效地识别异常值、异常点和时间序列中的最可变特征。
2. 将认知科学中的惊讶度概念与计算方法相结合，为复杂数据集提供新的解释视角。
3. 在三个高维时间序列数据集上展示了LvS方法的有效性，包括传感器数据、全球死亡原因数据和美国总统的国情咨文文本数据集。
研究方法
1. 通过惊讶度学习（LvS）
2. Jensen-Shannon (JS) 散度
3. Kullback-Leibler (KL) 散度
4. 时间线中心表示（TCR）
5. 时间序列的惊讶度配置文件（SP）
实验结果
在SWaT数据集上，LvS在异常检测方面与最先进的无监督算法相比表现良好。在分析全球死亡原因数据时，LvS能够识别出特定年份的异常情况，例如1994年的冲突、2004年的自然灾害等。在分析美国总统的国情咨文文本数据时，LvS能够捕捉到不同总统的写作风格和主题选择，以及随着时间的推移出现的语言和主题变化。
未来工作
未来工作将包括在更多专业领域应用LvS，例如生物医学信号处理或金融交易中的欺诈检测。此外，将研究解决LvS当前限制的方法，例如自适应阈值、实时处理和领域特定优化，以进一步扩展其适用性并将LvS确立为复杂时间序列数据分析的标准方法。