基于自编码器的内容感知二维表示识别时间序列中的随机性：在黑洞数据上的应用
机器学习
2023-04-25 v1 天体物理仪器与方法
计算机视觉与模式识别
信号处理
摘要
在本工作中，我们提出一种基于自编码器的二维表示方法，用于将时间序列分类为随机或非随机，以理解其 underlying 物理过程。我们提出了一种内容感知的一维时间序列到二维表示的转换方法，该方法同时利用时域和频域特征。训练一个自编码器，其损失函数用于学习潜在空间（同时使用时域和频域）表示，该表示被设计为时不变的。时间序列中的每个元素表示为一个二元组，其两个分量分别来自时域和频域的潜在空间表示，从而形成一个二值图像。在该二值图像中，那些表示时间序列中数据点的二元组共同构成了输入时间序列的“潜在空间签名”（Latent Space Signature, LSS）。将获得的二值 LSS 图像输入一个分类网络。使用 421 个合成时间序列（两类均有合理代表）训练 EfficientNetv2-S 分类器。所提方法在公开的天文数据上进行了评估，这些数据来自 RXTE 卫星、关于黑洞 GRS 1915 + 105 的 12 个不同时间序列类别。将所提方法的结果与现有技术进行比较。各分类所得标签的一致性说明了利用潜在空间坐标的二维表示方法的有效性。所提方法还输出分类标签的置信度。
引用
@article{arxiv.2304.11560,
title = {Identifying Stochasticity in Time-Series with Autoencoder-Based Content-aware 2D Representation: Application to Black Hole Data},
author = {Chakka Sai Pradeep and Neelam Sinha},
journal= {arXiv preprint arXiv:2304.11560},
year = {2023}
}