用于多变量时间序列无监督发现的潜在结构相似性网络
机器学习
2026-01-28 v1
摘要
本文提出了一种面向多变量时间序列的任务无关发现层，该层在不假设线性、平稳性或下游目标的前提下，构建实体间的关系假设图。该方法使用无监督序列到序列自编码器学习窗口级序列表示，将这些表示聚合为实体级嵌入，并通过阈值化潜在空间相似性度量来诱导稀疏相似性网络。该网络旨在作为一种可分析的抽象，用于压缩成对搜索空间并揭示供进一步研究的候选关系，而非针对预测、交易或任何决策规则优化的模型。该框架在一个具有挑战性的每小时加密货币收益真实数据集上进行了演示，说明了潜在相似性如何诱导出连贯的网络结构；同时报告了一类经典计量经济学关系作为外部诊断视角，以情境化所发现的边。
引用
@article{arxiv.2601.18803,
title = {Latent Structural Similarity Networks for Unsupervised Discovery in Multivariate Time Series},
author = {Olusegun Owoeye},
journal= {arXiv preprint arXiv:2601.18803},
year = {2026}
}