基于 Surprisability 的时间线可解释变换与分析

高维时间线数据分析及其异常、异常值识别在传感器读数、生物医学数据、历史记录和全球统计等多个领域至关重要。然而，常规分析技术在面临高维度、复杂分布和稀疏性等挑战时常难以胜任。这些局限性阻碍了从复杂时序数据集中提取有意义见解，使其难以有效识别趋势特征、异常值和异常现象。着眼于 surprisability——一种描述人类如何本能地聚焦于意外偏离的认知科学概念——我们提出一种名为 Learning via Surprisability (LvS) 的新型方法，用于变换高维时间线数据。LvS 通过形式化对预期行为的偏离来量化和优先级排序时间序列数据中的异常。LvS 将注意力的认知理论与计算方法相结合，以一种保留关键语境的方式检测异常和变化，为解释复杂数据集提供了新的视角。我们在三个高维时间线应用场景中展示了 LvS 的实用性：一个传感器数据时间序列、一个覆盖多年的全球死亡原因数据集，以及一个包含两百多年美国总统演说文本的语料库。我们的结果表明，LvS 变换能够高效且可解释地识别时间线中的异常值、异常现象以及最具变异性的特征。