Seminario "Redes convolucionales multi-escala para la clasificación de series temporales"

Resumen

Usualmente cuando uno se encuentra con series temporales en el ámbito del aprendizaje automático, estas suelen estar asociado, principalmente, a tareas de regresión y forecasting, y en menor medida tareas de clasificación. Sin embargo, cuando ocurre o decidimos abordar un problema a través de esta perspectiva, las redes convolucionales cumplen un buen papel a la hora de clasificar series, así como lo hacen sobre imágenes y texto. Dada esta situación, se ha profundizado la exploración de técnicas para extraer el mejor desempeño de estas herramientas, y entre las diversas estrategias exploradas surgen las Redes Convolucionales Multi-escala. La idea de estas redes es simple: pequeños módulos convolucionales procesan distintas versiones de la serie: original, suavizada, comprimida, expandida, etc. y luego se concatenan los resultados y se procesan con una red totalmente conectada para clasificar. Esta estrategia ha demostrado brindar resultados cercanos a los mejores conocidos para este tipo de  problemas, pero con mucho menos esfuerzo.

En nuestro caso, hemos decidido aprovechar la idea de estas redes para solucionar otro problema que se presenta en las series temporales: la imputación de datos.
Es común que en un registro temporal, ya sea manual o automático, existan momentos del tiempo donde el registro de los datos falló parcial o totalmente. Existen varias formas de imputar estos datos con beneficios y recomendaciones en cada caso: eliminar el dato completamente, rellenar con la media temporal, hacer un backward/forward filling o interpolar. Cada una de estas técnias puede traer información útil para el modelo, por lo cual nuestra idea fue generar varias versiones de la serie temporal de entrada, con los datos imputados de distinta manera, y aplicar sobre estas un modelo similar al de Redes Multi-escala.

En esta charla se explicará el modelo de redes convolucionales multiescala, se comentarán algunas de sus ventajas y problemas, se explicará nuestro problema particular, el nuevo modelo y los nuevos problemas que aparecen, y por último se esbozarán algunas propuestas para mejorarlo.

Multi-Scale Convolutional Neural Networks for Time Series Classification, Zhicheng Cui and Wenlin Chen and Yixin Chen, 2016, arXiv.

Vínculo de acceso al seminario, clic aquí