[논문 리뷰] PLSO: A generative framework for decomposing nonstationary time-series into piecewise stationary oscillatory components

Andrew H. Song, Demba Ba외 1명|arXiv (Cornell University)|2020. 10. 22.

Time Series Analysis and Forecasting참고 문헌 45인용 수 5

한 줄 요약

PLSO는 비정상 시계열을 조각별로 정상적인 진동 성분으로 분해하여, 간격 경계를 넘어서도 연속적이고 위상 인식 가능한 추론을 가능하게 하는 생성적 타임도메인 모델이다. 칼만 필터링과 가속화된 프락시멀 그래디언트 최적화를 조합함으로써, 기존의 시간-주파수 방법에서 관찰되는 불연속성 없이 정확하고 부드러운 시간에 따라 변화하는 스펙트럼 추정을 달성한다.

ABSTRACT

To capture the slowly time-varying spectral content of real-world time-series, a common paradigm is to partition the data into approximately stationary intervals and perform inference in the time-frequency domain. However, this approach lacks a corresponding nonstationary time-domain generative model for the entire data and thus, time-domain inference occurs in each interval separately. This results in distortion/discontinuity around interval boundaries and can consequently lead to erroneous inferences based on any quantities derived from the posterior, such as the phase. To address these shortcomings, we propose the Piecewise Locally Stationary Oscillation (PLSO) model for decomposing time-series data with slowly time-varying spectra into several oscillatory, piecewise-stationary processes. PLSO, as a nonstationary time-domain generative model, enables inference on the entire time-series without boundary effects and simultaneously provides a characterization of its time-varying spectral properties. We also propose a novel two-stage inference algorithm that combines Kalman theory and an accelerated proximal gradient algorithm. We demonstrate these points through experiments on simulated data and real neural data from the rat and the human brain.

연구 동기 및 목표

• 시간에 따라 느리게 변화하는 스펙트럼을 갖는 비정상 시계열에 대해 통합된 타임도메인 생성 모델의 부재를 해결하기 위해.
• 기존의 시간-주파수 방법에서 정상 간격 간 별도의 추론으로 인해 발생하는 타임도메인 불연속성과 위상 왜곡을 제거하기 위해.
• 모든 시계열에 대해 공동 추론을 가능하게 하면서도 진동 성분의 구조와 시간에 따라 변화하는 스펙트럼 특성을 유지하기 위해.
• 간격 내에서의 정상성과 그 간격 간의 연속성 사이의 균형을 고려한 확장 가능한 추론 알고리즘을 개발하기 위해.

제안 방법

• PLSO는 각 주파수에 중심을 두고 조각별로 정상적인 복소수 진동 성분의 초월합으로 시계열을 모델링한다.
• 상태공간 공식화를 사용하여 상태 벡터에 각 진동 성분의 실수부와 허수부를 포함시켜 마르코프 동역학과 칼만 필터링을 가능하게 한다.
• 스펙트럼 매개변수의 전이를 잠재적인 랜덤 워크로 모델링함으로써 간격 경계에서의 확률적 연속성을 도입하여 부드러운 스펙트럼 진화를 보장한다.
• 이중 단계 추론 알고리즘을 제안한다: 첫 번째로 칼만 필터링을 통해 시계열 성분을 추정하고, 두 번째로 가속화된 프락시멀 그래디언트 방법을 통해 시간에 따라 변화하는 전력 스펙트럼 밀도를 최적화한다.
• 상태공간 모델의 마르코프 성질을 활용하여 전역 일관성을 확보하면서도 효율적이고 순차적인 추정을 가능하게 한다.
• 이 프레임워크는 위상 인식 추론을 지원하며, 시간-주파수 표현으로부터의 후처리 재구성 필요성을 피한다.

실험 결과

연구 질문

• RQ1 간격 경계에서 불연속성이 발생하지 않도록 시간에 따라 느리게 변화하는 스펙트럼을 포괄하는 생성적 타임도메인 모델을 구축할 수 있는가?
• RQ2 기존의 시간-주파수 방법이 위상 정보를 버리기 때문에 비정상 시계열 분해에서 위상 정보를 어떻게 유지할 수 있는가?
• RQ3 칼만 필터링과 프락시멀 최적화를 조합한 하이브리드 추론 전략이 비정상 설정에서 스펙트럼 추정 정확도를 얼마나 향상시킬 수 있는가?
• RQ4 제안된 모델이 기존의 시간-주파수 및 분해 기반 방법에 비해 타임도메인 연속성과 스펙트럼의 부드러움 측면에서 뛰어나게 성능을 발휘할 수 있는가?

주요 결과

• PLSO는 간격 경계를 넘어서도 연속적인 타임도메인 추정이 가능한 조각별 정상적인 진동 성분의 초월합으로 비정상 시계열을 성공적으로 모델링한다.
• 확률적 연속성을 갖는 상태공간 공식화로 인해 간격 별로 추론할 경우 관찰되는 급격한 변화 없이 부드럽고 정확한 시간에 따라 변화하는 스펙트럼 추정이 가능하다.
• 칼만 필터링과 가속화된 프락시멀 그래디언트 최적화를 조합한 이중 단계 추론 알고리즘은 시계열과 그 시간에 따라 변화하는 전력 스펙트럼 밀도 추정 모두에서 높은 정확도를 달성한다.
• 시뮬레이션 데이터에 대한 실험 결과, PLSO는 전통적인 STFT 기반 방법에 비해 위상 보존과 스펙트럼 누설 감소 측면에서 뛰어난 성능을 보였다.
• 쥐와 인간 뇌의 신경 데이터에서는 PLSO가 기존의 시간-주파수 분석에서 가려졌던 일관되고 연속적인 진동 역학을 드러낸다.
• 이 방법은 신뢰할 수 있는 위상 추정과 위상-진폭 상관관계 분석을 가능하게 하여 뇌과학 적용 분야에서 매우 중요한 기능을 수행한다.