Time Series Classification via Topological Data Analysis

摘要

時系列の分類問題の手法としては動的時間伸縮法や統計的な特徴量を用いた機械学習の手法などが提案されており,高い成果を出している.しかしそれらの手法で用いる情報は,カオス時系列と呼ばれるクラスの時系列に対しては本質的なものではなくなるため,十分な効果を発揮しないことがわかっている.一方で,カオス時系列に対しても特徴量が提案されている力それらは非カオス時系列に対しては意味をもたない.時系列デ一夕を収集した際にはカオス時系列と非力オス時系列が混在していることが多くあるため,カオス?非カオス時系列両方に効果のある,より本質的な特徴量が必要とされている.本論文では時系列データのうち特に激しく振動するものに対する新しい分類手法として,時系列の変化のル一ルを表現するアトラクタの形状をトポロジカルデ一夕アナリシスの手法を用いて特徴量に変換し,畳込みニューラルネットワークを用いて学習する手法を提案する.また,提案手法によって,センサデー夕を用いた行動認識の精度が従来手法と比べ18.5%向上するなどの検証結果を報告する.