PSEUDo：基于局部敏感哈希与相关反馈的多变量时间序列交互式模式搜索
摘要
我们提出PSEUDo，一种用于探索多轨序列数据中视觉模式的自适应特征学习技术。我们的方法主要旨在克服当前基于深度学习的系统中不经济的重训练需求与不灵活的表示学习。由于传感器与数据存储的增加，多轨时间序列数据正以前所未有的规模生成。这些数据集蕴含宝贵模式，例如在神经营销学中，研究者试图将来自生理传感器的多变量序列数据中的模式与产品或服务的购买行为相联系。但缺乏 ground truth 与高方差使得自动模式检测不可靠。我们的进展基于一种新颖的查询感知局部敏感哈希技术，以创建多变量时间序列窗口的基于特征的表示。最重要的是，我们的算法具有亚线性训练与推理时间。我们甚至能在0.8秒内完成10,000条不同64轨时间序列（每条100个时间步，典型EEG数据集）的建模与比较。这一性能提升使得底层模式相似性模型能够快速地由相关反馈驱动自适应，并允许用户逐步调整速度-精度权衡。我们通过与该领域最先进算法的定量性能比较与定性视觉质量比较，展示了PSEUDo在效率、精度与可操控性上的优越性。此外，我们通过一个在大型气象数据集中展示视觉模式检索概念的案例研究，说明了PSEUDo的可用性。我们发现，我们的自适应模型能准确捕捉用户的相似性概念，并支持在大型多变量时间序列数据集中进行可理解的探索性视觉模式检索。
引用
@article{arxiv.2104.14962,
title = {PSEUDo: Interactive Pattern Search in Multivariate Time Series with Locality-Sensitive Hashing and Relevance Feedback},
author = {Yuncong Yu and Dylan Kruyff and Tim Becker and Michael Behrisch},
journal= {arXiv preprint arXiv:2104.14962},
year = {2021}
}
备注
11 pages including 2 pages for references, 10 figures including 1 teaser figure, sumbitted to IEEE VIS 2021, gitlab repository https://git.science.uu.nl/vig/sublinear-algorithms-for-va/locality-sensitive-hashing-visual-analytics