GENDIS: GENetische Entdeckung von Shapelets

Im Bereich der Zeitreihenklassifikation sind Shapelets kleine Zeitreihen, die für eine bestimmte Klasse diskriminativ sind. Es wurde gezeigt, dass Klassifikatoren durch die Verwendung von Abständen zwischen der Eingabezeitreihe und verschiedenen diskriminativen Shapelets state-of-the-art-Ergebnisse auf einer Vielzahl von Datensätzen erzielen können. Darüber hinaus lassen sich diese Shapelets leicht visualisieren und besitzen daher eine interpretierbare Eigenschaft, was sie besonders attraktiv für kritische Anwendungsgebiete wie die Gesundheitsversorgung macht, in denen longitudinale Daten allgegenwärtig sind. In dieser Studie wird ein neues Paradigma zur Shapelet-Entdeckung vorgestellt, das auf evolutionärer Berechnung basiert. Die Vorteile des vorgeschlagenen Ansatzes sind: (i) er ist gradientenfrei, was eine leichtere Flucht aus lokalen Optima und eine effizientere Suche nach geeigneten Kandidaten ermöglicht sowie nicht-differenzierbare Ziele unterstützt; (ii) es ist kein Brute-Force-Suchverfahren erforderlich, wodurch die rechnerische Komplexität um mehrere Größenordnungen reduziert wird; (iii) die Gesamtanzahl der Shapelets sowie die Länge jedes einzelnen Shapelets werden gemeinsam mit den Shapelets selbst evolviert, wodurch die vorherige Spezifikation dieser Parameter entfällt; (iv) ganze Shapelet-Sets werden gleichzeitig bewertet, anstatt einzelne Shapelets einzeln zu prüfen, was zu kleineren Endmengen mit weniger ähnlichen Shapelets führt, die jedoch vergleichbare prädiktive Leistung erzielen; (v) entdeckte Shapelets müssen keine Teilsequenzen der Eingabezeitreihen sein. Wir präsentieren die Ergebnisse von Experimenten, die die aufgezählten Vorteile bestätigen.