[논문 리뷰] Topological Data Analysis (TDA) for Time Series

Налини Равишанкер, Renjie Chen|arXiv (Cornell University)|2019. 09. 23.

Topological and Geometric Data Analysis참고 문헌 66인용 수 18

한 줄 요약

이 논문은 시간 시리즈를 위한 위상적 데이터 분석(TDA)에 대한 종합적인 리뷰를 제시하며, 타케인스의 임bedding를 통한 지속 호몰로지 기반으로 위상적 특징을 추출하여 분류, 군집화 및 구조적 변화 탐지에 활용한다. TDA를 통해 유도된 특징이 시간 시리즈 분류에서 기존의 SVM와 같은 전통적 방법보다 뛰어나며, 금융 및 생물학적 시간 시리즈에서의 임계 전이를 효과적으로 탐지함을 입증한다.

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.

연구 동기 및 목표

• 시간 시리즈 분석에 특화된 TDA 방법에 대한 체계적인 리뷰를 제공하고, R을 활용한 실용적 구현에 중점을 둔다.
• 비선형적이고 비 stationary한 시간 시리즈를 분석하는 데 도전하는 문제를 해결하기 위해, 형태와 지속성을 반영하는 위상적 특징을 활용한다.
• 금융 시장 분석, 생물정보학, 동작 센서 데이터와 같은 실제 적용 사례에서 TDA의 유용성을 입증한다.
• 계산적 위상수학의 이론적 개념을 시간 시리즈 맥락에서 응용 통계 학습과 연결한다.
• 시간 시리즈 데이터에서 패턴, 주기성, 제도 전환을 탐지하는 데서 기존 방법에 비해 TDA의 우수성을 부각시킨다.

제안 방법

• 지연 τ와 임베딩 차원 d를 사용하여 단변량 시간 시리즈를 위상공간 내 점군으로 변환한다.
• 임베딩된 점군에서 바이어토리스-립스 복합체를 구성하여 다양한 척도에서 위상공간을 모델링한다.
• 지속 호몰로지 계산을 통해 다양한 척도에서 위상적 특징(예: 연결 성분, 고리)의 탄생과 소멸을 추적하고, 영구 다이어그램으로 요약한다.
• 영구 다이어그램에서 베티 수 시퀀스와 영구 랜드스케이프와 같은 요약 통계량을 유도하여 후속 머신러닝에 활용한다.
• 시간 시리즈의 슬라이딩 윈도우에서 영구 랜드스케이프의 L1 노름을 스칼라 특징으로 사용하여 군집화 및 이상 탐지에 활용한다.
• 시간 시리즈 분류를 위한 지도 학습 파이프라인에 TDA 특징을 통합하여, 일차원 컨volutional 신경망 등을 적용한다.

실험 결과

연구 질문

• RQ1 지속 호몰로지에서 파생된 위상적 특징은 기존 방법에 비해 시간 시리즈 분류 성능을 어떻게 향상시키는가?
• RQ2 TDA는 비 stationary한 시간 시리즈, 예를 들어 암호화폐 가격 데이터에서 구조적 변화와 임계 전이를 얼마나 잘 탐지할 수 있는가?
• RQ3 TDA 특징은 복잡하거나 노이즈가 많은 패턴을 보이는 시간 시리즈에서 주기성과 숨겨진 역학을 얼마나 잘 포착하는가?
• RQ4 타케인스의 임베딩은 시간 시리즈를 점군으로 변환할 때 위상적 구조를 얼마나 잘 유지하는가?
• RQ5 TDA 기반 특징은 군집화와 같은 비지도 학습 과제에서 서로 다른 역학적 제도를 식별하는 데 효과적으로 활용될 수 있는가?

주요 결과

• 지속 호몰로지 기반으로 유도된 TDA 특징은 특히 일차원 컨volutional 신경망과 조합되었을 때 기존의 서포트 벡터 머신(SVM)보다 시간 시리즈 분류 과제에서 뛰어난 성능을 보였다.
• 1차 호몰로지 군의 영구 랜드스케이프 L1 노름이 암호화폐 가격 데이터에서 위상적으로 구별 가능한 제도를 성공적으로 식별하여 시장 붕괴 이전의 임계 전이를 탐지하는 데 기여했다.
• 임베딩된 시간 시리즈의 슬라이딩 윈도우와 영구 랜드스케이프 특징을 활용한 구조적 변화 탐지는 극도로 변동성이 큰 금융 시간 시리즈에서 제도 전환을 드러냈다.
• TDA 기반 방법은 무작위성 테스트를 통한 뇌파 EEG 데이터 분석을 통해 데이터 변환과 노이즈에 대해 강건함을 입증했다.
• EEG 데이터의 가중치가 부여된 푸리에 급수 표현에서 유도된 모스 함수에 대한 지속 호몰로지 분석은 위상적 구조를 유지하며 생물학적 신호의 효과적인 분석을 가능하게 했다.
• TDA 특징을 딥 러닝 모델에 통합함으로써 운동 센서 데이터 및 금융 시간 시리즈를 포함한 다양한 분야에서 분류 정확도 향상이 이루어졌다.