要約
生物学的または物理的なプロセスの研究では、しばしば時系列（Time Series: TS）と呼ばれる時系列的に順序付けられた値の長大な列が得られる。観測対象のプロセスに変化が生じる場合（自然現象や内部状態の変化が原因で）、測定値にも変化が現れる。時系列セグメンテーション（Time Series Segmentation: TSS）は、このような変化を時系列内から検出し、背後にあるプロセスの変化を推定することを目的としている。TSSは通常、ある統計的性質によって区別可能なセグメントを同定することを目的とする教師なし学習問題として扱われる。本研究では、TSSに向けた新規かつ高精度な手法であるClaSPを提案する。ClaSPは、時系列を階層的に2つの部分に分割する手法であり、各分割点は、すべての可能な分割点について二値時系列分類器を訓練し、その中で最も高い分類精度を示した分割点を選定することで決定される。すなわち、その分割点が、分割後の部分系列がどちらのグループに属するかを最も正確に識別できる点として選ばれる。98件のベンチマークデータセットを用いた実験評価において、ClaSPは既存の最先端手法と比較して精度において優れており、また2番目に高速な手法よりもさらに高速であることを示した。さらに、実世界の時系列データを用いた複数の事例を通じて、ClaSPの特徴と有用性を明らかにした。