从含噪时间序列数据中学习时序规则
机器学习
2022-02-14 v1 人工智能
摘要
时间线上的事件是一种常见的数据表示形式，出现在不同的时序模态中。单个原子事件可以按某种时间顺序发生，从而组合成更高层次的复合事件。复合事件的例子包括病人的医学症状或棒球运动员击出本垒打，分别由病人生命体征和运动员动作的不同时间顺序所导致。此类显著的复合事件在时序数据集中作为标签提供，大多数工作优化模型以直接预测这些复合事件标签。我们致力于在含噪时序数据设置下，揭示导致复合事件的底层原子事件及其关系。我们提出神经时序逻辑编程（Neural TLP），该方法首先学习原子事件之间的隐式时序关系，然后在仅以复合事件标签作为监督的情况下，为复合事件提升出逻辑规则。这是通过以端到端可微的方式在全部时序逻辑规则的组合空间中高效搜索来实现的。我们在视频和医疗数据集上评估了我们的方法，其在规则发现上优于基线方法。
引用
@article{arxiv.2202.05403,
title = {Learning Temporal Rules from Noisy Timeseries Data},
author = {Karan Samel and Zelin Zhao and Binghong Chen and Shuang Li and Dharmashankar Subramanian and Irfan Essa and Le Song},
journal= {arXiv preprint arXiv:2202.05403},
year = {2022}
}
备注
19 pages, 5 figures