スパース辞書学習を用いた時系列分解

脳波や筋電などの生体情報、プラントなどの製造プロセス、ビルやロボットの状態の計測で得られる情報、などは実世界から得られる時系列データの典型的なものであり、近年、様々な IoT センサの開発と普及により、その利活用へのニーズが高まっている。​
そうした時系列データの圧縮・処理手法として、データを少数の辞書基底に分解するスパース辞書学習（スパースコーディング）が研究されているが、そこで得られる基底は、局所性が小さく、解釈が困難なものも多かった。​
そこで、時間スキップ操作に基づくスキップ表現を用いた新たな時系列分解手法（DLTSkip）を開発し、Python のプログラムとしてモジュール化した。​
従来の分解手法に対して、より解釈性の高い時系列分解が得られる可能性がある。また、時系列データの読み込みや表示などの汎用的なプログラムや、分解、圧縮した表現を用いた時系列の識別をするプログラムもあわせて公開している。

Python プログラム公開サイト
https://github.com/aistairc/DLTSkip​

手法の詳細に関する論文
Genta Yoshimura, Atsunori Kanemura, Hideki Asoh, "Reconstructable and Interpretable Representations for Time Series with Time-Skip Sparse Dictionary Learning", Proceedings of the on Thematic Workshops of ACM Multimedia 2017, doi: 10.1145/3126686.3126724

センサ時系列などの実世界における時系列信号の分解圧縮とそれを用いた、計算量の少ない分類や識別に幅広く応用可能。