TCube：领域无关的神经时间序列叙述生成
计算与语言
2021-10-13 v1 人工智能
摘要
生成丰富且流畅、恰当描述时间序列数据特征、趋势与异常的叙述，对科学（地质学、气象学、流行病学）或金融（交易、股票或销售与库存）而言极具价值。迄今为止的时间序列叙述工作都是领域特定的，并使用预定义模板，虽保证一致性却导致机械式叙述。我们提出 TCube（Time-series-to-text），一种领域无关的神经时间序列叙述框架，它将本质时间序列元素以稠密知识图形式表示，并借助 PLM（预训练语言模型）的迁移学习能力将该知识图翻译为丰富流畅的叙述。TCube 的设计主要解决在时间序列标注训练数据完全匮乏情况下构建神经框架的挑战。该设计将知识图作为本质时间序列元素表示的中间体，可线性化以进行文本翻译。据我们所知，TCube 是首个探索神经策略用于时间序列叙述的研究。通过广泛评估，我们表明 TCube 能将生成叙述的词汇多样性提升高达 65.38%，同时保持语法完整性。TCube 的实用性与可部署性通过专家评审（n=21）进一步验证，其中 76.2% 原本对自动生成叙述持谨慎态度的参与专家因更丰富的叙述而青睐 TCube 作为可部署的时间序列叙述系统。我们的代码库、模型与数据集以及可复现的详细说明公开托管于 https://github.com/Mandar-Sharma/TCube。
引用
@article{arxiv.2110.05633,
title = {TCube: Domain-Agnostic Neural Time-series Narration},
author = {Mandar Sharma and John S. Brownstein and Naren Ramakrishnan},
journal= {arXiv preprint arXiv:2110.05633},
year = {2021}
}
备注
To be published in IEEE ICDM 2021