[論文レビュー] Encoding Temporal Markov Dynamics in Graph for Visualizing and Mining Time Series

Lu Liu, Zhiguang Wang|arXiv (Cornell University)|Oct 24, 2016

Data Visualization and Analytics被引用数 15

ひとこと要約

本稿では、1次マルコフ動的機構を用いて時系列を複雑なネットワークに符号化することで、時間的順序と周波数構造を保持する、新たな時系列の可視化およびマイニング手法を提案する。この手法により、正確な逆写像を伴う直感的なビジュアルアナリティクスが可能となり、実データおよび合成センサーデータにおけるパターン発見と分類精度が向上する。

ABSTRACT

Time series and signals are attracting more attention across statistics, machine learning and pattern recognition as it appears widely in the industry especially in sensor and IoT related research and applications, but few advances has been achieved in effective time series visual analytics and interaction due to its temporal dimensionality and complex dynamics. Inspired by recent effort on using network metrics to characterize time series for classification, we present an approach to visualize time series as complex networks based on the first order Markov process in its temporal ordering. In contrast to the classical bar charts, line plots and other statistics based graph, our approach delivers more intuitive visualization that better preserves both the temporal dependency and frequency structures. It provides a natural inverse operation to map the graph back to raw signals, making it possible to use graph statistics to characterize time series for better visual exploration and statistical analysis. Our experimental results suggest the effectiveness on various tasks such as pattern discovery and classification on both synthetic and the real time series and sensor data.

研究の動機と目的

• センサーやIoTデバイスからの複雑で高次元の時系列データを可視化する課題に対処すること。
• 従来の可視化手法（例：折れ線グラフ、ピixe プロット）が時間的依存性やダイナミクスを捉えきれないという制限を克服すること。
• 時間的順序と統計的構造の両方を保持する、時系列のグラフベース表現を開発すること。
• 時系列からグラフへの変換が自然な逆演算を備えることで、解釈可能なビジュアルアナリティクスを可能にすること。
• グラフ統計量を用いた下流タスク（例：分類、異常検知、パターン発見）における有効性を実証すること。

提案手法

• 時系列値をQ分位数のボックスに量子化し、マルコフモデリングに適した離散化信号を得る。
• 量子化された状態間の遷移確率を計算することで、1次マルコフ遷移行列Wを構築する。
• マルコフ行列を2次元グリッド表現に変換し、時間的ダイナミクスを保持するマルコフ遷移フィールド（MTF）Mに変換する。
• 空間的ダウンサンプリング（例：2×2平均プーリング）を適用してMTFの解像度を低下させつつ、主要な構造的特徴を保持する。
• MTFの各セルをノードとみなし、近接性および遷移確率に基づいてノード同士を接続することで、複雑なネットワークに変換する。
• ネットワーク統計量（例：モジュラリティ、次数、クラスタリング係数、経路長）を用いてビジュアル探索と特徴抽出を実施する。

実験結果

リサーチクエスチョン

• RQ1 マルコフ遷移ダイナミクスは、時系列の時間的および周波数的情報を保持するグラフ構造に効果的に符号化可能か？
• RQ2 提案手法のグラフ表現は、従来の可視化と比較して、複雑な時系列パターンの直感的なビジュアル探索を可能にするか？
• RQ3 グラフから元の時系列データへの逆写像能力は、ビジュアルアナリティクスにおける解釈性とユーザーアクセス性を向上させるか？
• RQ4 グラフ表現から導出されるネットワーク統計量は、実際のセンサーデータにおける分類および異常検知の精度をどの程度向上させるか？
• RQ5 ネットワークのトポロジカル特性（例：モジュラリティ、コミュニティ構造）は、時系列の背後にあるダイナミカルレジームをどの程度反映しているか？

主な発見

• 提案手法は、時間的順序と周波数構造の両方を保持する複雑なネットワークへの時系列変換に成功している。
• ネットワークの可視化により、原始的な信号が類似している場合でも、健康な心電図（ECG）信号と異常なECG信号で明確なトポロジカルパターン（例：直線的 vs. 円形構造）が判明した。
• 1-NN分類器において、生データとグラフ統計量を組み合わせることで分類精度が向上した：ECGでは0.90 vs. 0.88、Waferでは0.996 vs. 0.995、Gun-Pointでは0.932 vs. 0.913。
• 平均次数、重み付き次数、密度、モジュラリティといった統計的ネットワーク特徴量は、対応したt検定において陽性ラベルと陰性ラベルで顕著な差を示した。
• グラフ表現は、原始的な形状が類似する時系列の構造的差を効果的に捉えている：例として、Gun-drawパターンでは7つの、Pointパターンでは3つの明確なコミュニティが観察された。
• 逆写像機能により、ユーザーはグラフパターンを探索し、元の信号における特定の時間的空間的パターンにたどり着けるようになり、解釈性が向上した。