Matrix Profile 走向 MAD：数据序列中变长度模体与异常发现
数据库
2020-09-01 v1
摘要
在过去十五年里，数据序列模体（motif）与异常（discord）发现已成为数据序列挖掘中两个有用且被广泛使用的基元，应用于包括机器人学、昆虫学、地震学、医学和气候学在内的诸多领域。然而，最先进的模体与异常发现工具仍要求用户提供相对长度。但在若干情形下，长度的选择至关重要且不容有失。遗憾的是，测试给定范围内所有长度的朴素暴力解法在计算上不可行。本工作中，我们引入一个新框架，提供精确且可扩展的模体与异常发现算法，可高效找出给定长度范围内的所有模体与异常。我们用五个不同的真实数据集评估该方法，证明其比最先进方法快至多 20 倍。我们的结果还表明，去除用户已知正确长度这一不现实假设，常能产生更直观且可操作的結果，否则这些结果可能被遗漏。（论文发表于 Data Mining and Knowledge Discovery Journal - 2020）
引用
@article{arxiv.2008.13447,
title = {Matrix Profile Goes MAD: Variable-Length Motif And Discord Discovery in Data Series},
author = {Michele Linardi and Yan Zhu and Themis Palpanas and Eamonn Keogh},
journal= {arXiv preprint arXiv:2008.13447},
year = {2020}
}