Wormhole：面向协同演化序列的概念感知深度表示学习
机器学习
2024-09-24 v1 人工智能
摘要
识别和理解协同演化序列中的动态概念对于分析物联网应用、金融市场和在线活动日志等复杂系统至关重要。这些概念为序列数据的底层结构和行为提供了有价值的见解，从而能够实现更好的决策和预测。本文介绍了 Wormhole，一种具有概念感知能力且专为协同演化时间序列设计的全新深度表示学习框架。我们的模型提出了一个自表示层和一个时间平滑性约束，以确保对动态概念及其转换的稳健识别。此外，通过识别潜在空间中的突变来检测概念转换，这标志着向新行为的转变——类似于穿过虫洞。这种新颖的机制能够准确辨别协同演化序列中的概念，并精确定位这些虫洞的确切位置，从而增强了所学表示的可解释性。实验表明，该方法能够有效地将时间序列数据分割成有意义的概念，为分析复杂时间模式提供了有价值的工具，并推进了概念漂移检测的发展。
引用
@article{arxiv.2409.13857,
title = {Wormhole: Concept-Aware Deep Representation Learning for Co-Evolving Sequences},
author = {Kunpeng Xu and Lifei Chen and Shengrui Wang},
journal= {arXiv preprint arXiv:2409.13857},
year = {2024}
}