使用稀疏自编码器学习事件时间序列表示用于异常检测、相似性搜索和无监督分类
机器学习
2025-10-14 v2 高能天体物理现象
天体物理仪器与方法
人工智能
摘要
事件时间序列是指在不规则时间间隔内发生的离散事件序列，每种事件都与特定领域的观测模态相关。它们常见于高能天文学、计算社会科学、网络安全、金融、医疗保健、神经科学和地震学等领域。其非结构化和不规则的结构为使用常规技术提取有意义的模式和识别关键现象带来了显著挑战。我们提出了用于事件时间序列的 novel two- 和三维张量表示，结合稀疏自编码器学习物理上有意义的潜在表示。这些嵌入支持包括异常检测、基于相似性的检索、语义聚类和无监督分类等多种下游任务。我们在真实的 X 射线天文学数据集上演示了我们的方案，表明这些表示成功地捕获了时间和光谱特征，并隔离了多样化的 X 射线瞬变类。我们的框架为分析跨越科学和工业领域的复杂、不规则事件时间序列提供了一种灵活、可扩展且通用的解决方案。
引用
@article{arxiv.2507.11620,
title = {Learning Representations of Event Time Series with Sparse Autoencoders for Anomaly Detection, Similarity Search, and Unsupervised Classification},
author = {Steven Dillmann and Juan Rafael Martínez-Galarza},
journal= {arXiv preprint arXiv:2507.11620},
year = {2025}
}
备注
Accepted at the 2025 ICML Workshop on Machine Learning for Astrophysics, Code available at: https://github.com/StevenDillmann/ml-xraytransients-mnras