复杂时间戳事件流的快速多方面挖掘
机器学习
2023-07-07 v2 人工智能
信息论
math.IT
摘要
给定具有多个属性的海量在线时间演化事件流，如在线购物日志：(商品, 价格, 品牌, 时间)，以及本地出行活动：(上落客地点, 时间)，我们如何概括庞大、动态的高阶张量流？我们如何发现任何隐藏的模式、规则和异常？我们的答案是关注两类模式，即“regime”和“component”，为此我们提出 CubeScope，一种高效且作用于高阶张量流上的有效方法。具体而言，它识别任何突然的不连续性并辨识不同的动态模式，“regime”(如工作日/周末/节假日模式)。在每个 regime 中，它还对所有属性(如商品、价格、品牌和时间)进行多路概括，并发现代表潜在组群(如商品/品牌组)及其关系的隐藏“component”。得益于其简洁而有效的概括，CubeScope 也能检测异常突然出现并识别实践中发生的异常类型。我们提出的方法具有以下性质：(a) 有效：它捕获动态多方面模式，即 regime 和 component，并从统计上概括所有事件；(b) 通用：它可实际成功地应用于各类张量流的数据压缩、模式发现和异常检测；(c) 可扩展：我们的算法不依赖于数据流的长度及其维度。在真实数据集上的大量实验表明，CubeScope 能正确发现有意义模式和异常，并且在准确率和执行速度上持续优于最先进的方法。
引用
@article{arxiv.2303.03789,
title = {Fast and Multi-aspect Mining of Complex Time-stamped Event Streams},
author = {Kota Nakamura and Yasuko Matsubara and Koki Kawabata and Yuhei Umeda and Yuichiro Wada and Yasushi Sakurai},
journal= {arXiv preprint arXiv:2303.03789},
year = {2023}
}
备注
Accepted by WWW 2023