教師なし多変量時系列類似性検索のための深層距離測定手法

要旨: 私たちは、教師なしの多変量時系列の類似性検索における検索精度を向上させる Deep Distance Measurement Method (DDMM) を提案します。DDMM は、全体の時系列内の状態間の微小な差異を学習させ、したがって工業プラントのユーザーが関心を持つ状態間の微小な差異の認識を可能にします。これを実現するために、DDMM は、全体の時系列から任意にサンプリングされたアンカーとポジティブサンプルの各ペアに対し、そのペア内のユークリッド距離に基づいて重みを割り当て、その重みによって重み付けされたペア間の差を学習する学習アルゴリズムを用います。このアルゴリズムは、状態内の微小な差異を学習させるとともに、時系列全体からペアをサンプリングすることを可能にします。私たちの経験的研究は、DDMM がパルプ・紙工場データセットにおいて最先端の時系列表現学習手法を大幅に上回ることを示し、産業プラントにおける DDMM の有効性を実証しました。さらに、結合モデルによる実験を通じて、既存の特徴抽出手法と DDMM を結びつけることで精度をさらに向上させることができると示しました。