面向语义感知时间序列数据的高效直接分析压缩方法
机器学习
2025-09-22 v3 信号处理
摘要
语义通信因应海量数据流量增长和可持续数据通信的挑战而涌现为一种有前景的范式。它将注意力从数据保真度转向以目标导向或任务导向的语义传输。虽然深度学习方法常用于语义编码和解码，但它们在处理时间序列数据的序列性质以及高计算成本方面存在困难，尤其是在资源受限的物联网环境中。数据压缩在降低传输和存储成本方面发挥着关键作用，但传统数据压缩方法不足以满足目标导向通信系统的需求。本文提出了一种 novel 方法，用于直接分析由 SHRINK 压缩算法压缩后的时间序列数据。通过以异常检测为案例研究进行实验，我们表明该方法在多个情况下均优于基于未压缩数据的基线方法，最差情况仅相差 1%。此外，该方法平均实现运行时间降低四倍，访问约 10% 的数据量，这使得在存储和计算能力有限的边缘设备上进行分析成为可能。这些结果表明，该方法为 diverse IoT 应用提供了可靠的高速异常检测分析，同时从时间序列数据中提取语义，实现高压缩率并降低数据传输。
引用
@article{arxiv.2503.13246,
title = {Highly Efficient Direct Analytics on Semantic-aware Time Series Data Compression},
author = {Guoyou Sun and Panagiotis Karras and Qi Zhang},
journal= {arXiv preprint arXiv:2503.13246},
year = {2025}
}
备注
This is an extended version of arXiv:2503.13246, with significant additional contributions