Neues IMS Paper zum Thema "Fully learnable deep wavelet transform for unsupervised monitoring of high-frequency time series" wurde im PNAS Journal veröffentlicht
Die vorgeschlagene Methode kombiniert das Beste aus zwei Welten: eine gründliche theoretische Grundlage zu den Wavelet-Eigenschaften mit der Lernfähigkeit des Deep Learning
Der neuartige, vollständig unbeaufsichtigte Deep-Learning-Rahmen für hochfrequente Zeitreihen ist in der Lage, aussagekräftige und spärliche Darstellungen von Rohsignalen zu extrahieren und kann flexibel mit unterschiedlich langen Zeitreihen umgehen, wodurch mehrere der Einschränkungen bestehender Deep-Learning-Ansätze überwunden werden.
Die vorgeschlagene Architektur konnte eine signifikante Verbesserung bei der Verarbeitung von Tondaten zeigen, sowohl für Klassifizierungs- als auch für Anomalieerkennungsaufgaben. Unser Ansatz ermöglicht die Verwendung von Hochfrequenz-Rohdaten als Input für eine Deep-Learning-Architektur, ein Ansatz, der in der Literatur normalerweise vermieden wird, da es schwierig ist, effiziente Architekturen zu entwickeln, die gegenüber Änderungen der Input-Längen robust sind.
Die vorgeschlagene Architektur basiert auf der Spektralanalyse und kann die üblichen Vorverarbeitungsschritte wie die Extraktion von Spektrogrammen oder Wavelet-Koeffizienten ersetzen. Da sie unüberwacht ist, kann sie als Input für nachfolgende Lernmethoden verwendet werden. Darüber hinaus ist es im Vergleich zu anderen Deep-Learning-Architekturen ein sehr leichtes Framework mit nur wenigen hundert lernbaren Parametern, wodurch das hohe Risiko der Überanpassung gemindert wird. Mit seiner Spektralinterpretation liefert es auch Diagnoseinformationen für die Domänenexperten, die die Interpretationsfähigkeiten potenziell verbessern können.
