SOM-VAE：时间序列上的可解释离散表示学习
机器学习
2019-01-07 v7 机器学习
摘要
高维时间序列在许多领域中很常见。由于人类认知并未针对高维空间进行优化，这些领域可以从可解释的低维表示中获益。然而，大多数用于时间序列数据的表示学习算法难以解释。这是由于从数据特征到表示的显著属性之间的映射不直观，以及随时间的不平滑性。为了解决这个问题，我们提出了一个新的表示学习框架，该框架建立在可解释离散降维和深度生成建模的思想之上。该框架允许我们学习时间序列的离散表示，从而产生具有优越聚类性能的平滑且可解释的嵌入。我们引入了一种克服离散表示学习中不可微性的新方法，并提出了传统自组织映射算法的基于梯度的版本，其性能优于原始算法。此外，为了对我们的方法进行概率解释，我们在表示空间中集成了一个 Markov 模型。该模型揭示了时间转换结构，进一步提高了聚类性能，并提供了额外的解释性见解以及不确定性的自然表示。我们在静态 (Fashion-)MNIST 数据、线性插值的 (Fashion-)MNIST 图像时间序列、具有两个宏观状态的混沌 Lorenz 吸引子系统，以及基于 eICU 数据集的具有挑战性的真实世界医疗时间序列应用上，从聚类性能和可解释性方面评估了我们的模型。我们学习到的表示与竞争方法相比表现良好，并促进了真实世界数据上的下游任务。
引用
@article{arxiv.1806.02199,
title = {SOM-VAE: Interpretable Discrete Representation Learning on Time Series},
author = {Vincent Fortuin and Matthias Hüser and Francesco Locatello and Heiko Strathmann and Gunnar Rätsch},
journal= {arXiv preprint arXiv:1806.02199},
year = {2019}
}
备注
Accepted for publication at the Seventh International Conference on Learning Representations (ICLR 2019)