[論文レビュー] Topological Data Analysis (TDA) for Time Series

Налини Равишанкер, Renjie Chen|arXiv (Cornell University)|Sep 23, 2019

Topological and Geometric Data Analysis参考文献 66被引用数 18

ひとこと要約

本稿は、時系列データに対する位相的データ解析（TDA）の包括的レビューを提示しており、Takensの埋め込みを用いた持続的ホモロジーを用いて、分類、クラスタリング、構造的変化検出のための位相的特徴を抽出することに焦点を当てている。実証的に、TDAから得られる特徴量は、SVMのような従来の手法を上回り、金融時系列および生物学的時系列における重要な遷移を効果的に検出できることを示している。

ABSTRACT

The study of topology is strictly speaking, a topic in pure mathematics. However in only a few years, Topological Data Analysis (TDA), which refers to methods of utilizing topological features in data (such as connected components, tunnels, voids, etc.) has gained considerable momentum. More recently, TDA is being used to understand time series. This article provides a review of TDA for time series, with examples using R functions. Features derived from TDA are useful in classification and clustering of time series and in detecting breaks in patterns.

研究の動機と目的

• 時系列解析に特化したTDA手法の体系的レビューを提供すること。特に、Rを用いた実装を重視する。
• 非線形的かつ非定常的な複雑な時系列データを分析する課題に対処し、形状と持続性を捉える位相的特徴を活用すること。
• ファイナンス市場分析、バイオインフォマティクス、モーションセンサデータなど、実世界の応用におけるTDAの有用性を示すこと。
• 計算トポロジーの理論的側面と時系列文脈における応用的統計的学習を橋渡しすること。
• 従来の手法に比べて、時系列データにおけるパターン、周期性、レジームシフトの検出においてTDAの利点を強調すること。

提案手法

• 遅延τと埋め込み次元dを用いたTakensの埋め込みにより、単変量時系列を位相空間内の点群に変換する。
• 埋め込みられた点群からベトリス＝リップス複体を構築し、スケールを変化させた際に位相的空間をモデル化する。
• スケールを変化させた際の位相的特徴（例えば、連結成分、ループ）の誕生と消滅を追跡するため、持続的ホモロジーを計算し、パーシステンス図に要約する。
• パーシステンス図から、ベッチ数列やパーシステンスランドスケープなどの要約統計量を導出する。これらは後続の機械学習タスクに用いられる。
• スライディングウインドウにおける時系列データのクラスタリングおよび異常検出に、1次ホモロジー群のパーシステンスランドスケープのL1ノルムをスカラー特徴量として用いる。
• 時系列分類のための教師あり学習パイプラインに、TDA特徴量を統合し、1次元畳み込みニューラルネットワークを活用する。

実験結果

リサーチクエスチョン

• RQ1 持続的ホモロジーから導出される位相的特徴量は、従来の手法に比べて、時系列分類においてどのように向上をもたらすか？
• RQ2 TDAは、暗号資産価格データのような非定常時系列において、構造的変化や臨界的遷移をどの程度効果的に検出できるか？
• RQ3 TDA特徴量は、複雑またはノイズの多いパターンを示す時系列において、周期性や隠れたダイナミクスをどの程度正しく捉えることができるか？
• RQ4 時系列を点群に変換する際、Takensの埋め込みが位相的構造をどの程度保持するか？
• RQ5 TDAベースの特徴量は、クラスタリングなどの非教師あり学習タスクにおいて、明確なダイナミクス的レジームを特定するために効果的に利用できるか？

主な発見

• 持続的ホモロジーを用いて抽出されたTDA特徴量は、特に1次元畳み込みニューラルネットワークと組み合わせた場合、時系列分類タスクにおいてサポートベクターマシン（SVM）を上回る性能を示した。
• 1次ホモロジー群のパーシステンスランドスケープのL1ノルムは、暗号資産価格データにおいて位相的に異なるレジームを効果的に特定し、市場崩壊の前触れとなる臨界的遷移を検出できた。
• 埋め込み時系列データのスライディングウインドウとパーシステンスランドスケープ特徴量を用いた構造的変化検出により、極めて不規則な金融時系列におけるレジームシフトが明らかになった。
• TDAベースの手法は、ノイズやデータ変換に対して頑健であることが、EEGデータ解析におけるランダムネステストを通じて検証された。
• EEGデータの重み付きフーリエ級数表現から導出されたモース関数における持続的ホモロジーは、位相的構造を保持し、生物学的信号の有効な解析を可能にした。
• TDA特徴量を深層学習モデルに統合することで、モーションセンサデータや金融時系列など、多様な分野において分類精度の向上が達成された。