결측 데이터가 있는 다변량 시계열 자료를 위한 시간적 커널화 오토인코더를 이용한 표현 학습

다변량 시계열 데이터(MTS)의 압축된 표현을 학습하면 노이즈와 중복 정보가 있는 환경에서 데이터 분석을 용이하게 하며, 많은 변수와 시간 단계를 가진 경우에도 유용합니다. 그러나 고전적인 차원 축소 접근법은 벡터형 데이터를 대상으로 설계되어 결측치를 명시적으로 처리할 수 없습니다. 본 연구에서는 결측치를 처리할 수 있도록 설계된 새로운 재귀 신경망 기반 오토인코더 아키텍처를 제안하여 MTS의 압축된 표현을 생성합니다. 제안된 모델은 길이가 변하는 입력을 처리할 수 있으며, 특히 결측 데이터를 다루기 위해 특별히 설계되었습니다. 우리의 오토인코더는 입력 공간에서 작동하고 결측치를 처리하는 커널 함수에 정렬된 쌍별 유사성을 가지는 고정 길이 벡터 표현을 학습합니다. 이는 상당한 양의 결측 데이터가 존재하더라도 좋은 표현을 학습할 수 있게 합니다. 제안된 접근법의 효과성을 보여주기 위해, 우리는 여러 분류 작업에서 학습된 표현의 품질을 평가하였으며, 의료 데이터를 포함한 작업에서도 다른 차원 축소 방법들과 비교하였습니다. 그 다음으로, 제안된 아키텍처를 기반으로 두 개의 프레임워크를 설계하였습니다: 하나는 결측 데이터 추정(imputing missing data)을 위한 것이고, 다른 하나는 일クラス分類(one-class classification)을 위한 것입니다. 마지막으로, 재귀 계층을 가진 오토인코더가 전방향(fead-forward) 아키텍처보다 언제 더 나은 MTS의 압축 표현을 학습할 수 있는지 분석하였습니다.注: 在最后一句中，“일クラス分類”和“전방향(fead-forward)”部分似乎出现了中文和日文字符的混入。正确的翻译应该是：“일 클래스 분류 (one-class classification)” “전방향 (feed-forward)”修正后的句子如下：마지막으로, 재귀 계층을 가진 오토인코더가 전방향(feed-forward) 아키텍처보다 언제 더 나은 MTS의 압축 표현을 학습할 수 있는지 분석하였습니다.