[论文解读] Deconvolution of mixing time series on a graph

Alexander W. Blocker, Edoardo M. Airoldi|PubMed|May 12, 2011

Functional Brain Connectivity Studies参考文献 6被引用 3

一句话总结

本文提出了一种多层级状态空间模型，用于在图结构上对混合时间序列进行去卷积，通过基于图的混合机制，从低维聚合测量中推断出潜在的爆发性与稀疏时间序列。该方法采用高效的正则化参数校准策略，在基于网络聚合数据估计点对点交通流量方面优于现有方法，在真实世界数据上表现出色。

ABSTRACT

In many applications we are interested in making inference on latent time series from indirect measurements, which are often low-dimensional projections resulting from mixing or aggregation. Positron emission tomography, super-resolution, and network traffic monitoring are some examples. Inference in such settings requires solving a sequence of ill-posed inverse problems, <i><b>y</b>_t</i> = <i>A<b>x</b>_t</i> , where the projection mechanism provides information on <i>A</i>. We consider problems in which <i>A</i> specifies mixing on a graph of times series that are bursty and sparse. We develop a multilevel state-space model for mixing times series and an efficient approach to inference. A simple model is used to calibrate regularization parameters that lead to efficient inference in the multilevel state-space model. We apply this method to the problem of estimating point-to-point traffic flows on a network from aggregate measurements. Our solution outperforms existing methods for this problem, and our two-stage approach suggests an efficient inference strategy for multilevel models of multivariate time series.

研究动机与目标

• 解决在数据在图上混合的系统中，从间接的、低维的聚合测量中推断潜在时间序列的挑战。
• 对网络流量监控、PET成像和超分辨率等应用中出现的爆发性与稀疏时间序列进行建模。
• 为形式为 y_t = A x_t 的病态逆问题开发一种高效推理策略，其中 A 为图结构的混合矩阵。
• 在多层级框架内有效校准正则化参数，以提高估计精度。
• 通过使用聚合网络测量数据进行真实交通流量估计，证明该方法的优越性。

提出的方法

• 构建一个多层级状态空间模型，以表示观测时间序列对潜在稀疏、爆发性分量的层次依赖关系。
• 将混合过程建模为基于图的线性变换 A，其中每个节点对应一个时间序列，边编码混合关系。
• 提出一种两阶段推理方法：首先使用校准后的惩罚项进行潜在时间序列的正则化估计；其次通过状态空间滤波进行优化。
• 采用简单模型校准正则化参数，降低计算负担，同时保持精度。
• 采用贝叶斯框架传播不确定性，实现在模型误设情况下的鲁棒推理。
• 将该模型应用于真实交通数据，利用聚合链路级测量数据估计点对点流量。

实验结果

研究问题

• RQ1 如何能可靠地从网络结构上低维聚合测量中恢复稀疏且爆发性的时间序列？
• RQ2 当 A 编码基于图的混合关系时，求解病态逆问题 y_t = A x_t 的高效且可扩展的方法是什么？
• RQ3 具有校准正则化的多层级状态空间模型是否能在交通流量估计中优于现有去卷积方法？
• RQ4 混合的图结构如何影响时间序列去卷积的精度与稳定性？
• RQ5 正则化参数校准在实现多层级依赖时间序列模型中高效推理方面起到什么作用？

主要发现

• 所提出的方法在基于聚合网络测量估计点对点交通流量方面显著优于现有方法。
• 两阶段推理策略实现了高效且精确的潜在时间序列恢复，且调参需求极少。
• 通过简单辅助模型校准的正则化参数，可在多层级状态空间框架中实现稳健且稳定的推理。
• 基于图的混合模型有效捕捉了时间序列间的依赖结构，提升了去卷积性能。
• 真实交通数据的实证结果证实了该方法在重建稀疏与爆发性交通模式方面的优越性。
• 该方法在真实世界网络监控问题中表现出强大的可扩展性与适应性。