SOM-VAE: تعلم التمثيلات المنفصلة القابلة للتفسير على السلاسل الزمنية
السلسلات الزمنية ذات الأبعاد العالية شائعة في العديد من المجالات. نظرًا لأن الإدراك البشري ليس مُعدًّا للعمل بكفاءة في فضاءات ذات أبعاد عالية، يمكن لهذه المجالات الاستفادة من التمثيلات ذات الأبعاد المنخفضة والقابلة للتفسير. ومع ذلك، فإن معظم خوارزميات تعلم التمثيل للبيانات الزمنية تكون صعبة الفهم. هذا يرجع إلى الخرائط غير المُباشرة من خصائص البيانات إلى الخصائص البارزة للتمثيل وعدم الانسيابية عبر الزمن. لحل هذه المشكلة، نقترح إطارًا جديدًا لتعلم التمثيل يستند إلى أفكار من تقليل الأبعاد المتقطع القابل للتفسير ونمذجة المولد العميق. يسمح هذا الإطار لنا بتعلم تمثيلات متقطعة للسلسلة الزمنية، والتي تؤدي إلى غمر قابل للتفسير وسلس مع أداء تجميع أفضل. نقدم طريقة جديدة للتغلب على مشكلة عدم القابلية للمفاضلة في تعلم التمثيل المتقطع ونقدم إصدارًا يستخدم التدرج من خوارزمية الخريطة الذاتية التقليدية التي تكون أكثر كفاءة من الأصل. بالإضافة إلى ذلك، لتمكين تفسير احتمالي لطريقتنا، ندمج نموذج ماركوف في فضاء التمثيل. يكشف هذا النموذج عن هيكل الانتقال الزمني، ويحسن أداء التجميع بشكل أكبر ويوفر رؤى إضافية وتفسيرًا طبيعيًا للشكوك (الغموض). نقيم نموذجنا بناءً على أداء التجميع والقابلية للتفسير باستخدام بيانات (Fashion-)MNIST الثابتة، سلسلة زمنية لصور (Fashion-)MNIST المحملَّكة بالخطarity، نظام جاذبية لورنز الفوضوي ذو الحالتين الكرويتين (الكبيرتين)، وكذلك في تطبيق زمني طبي حقيقي صعب على مجموعة بيانات eICU. يتميز تمثيلاتنا المُتعلمة بالتفوق على الطرق المنافسة وتسهيل المهام اللاحقة على البيانات الحقيقية.