浙江大学副教授杨洋——《Time2Graph：从图视角出发的时间序列建模》

⬆⬆⬆ 点击蓝字

关注我们

AI TIME欢迎每一位AI爱好者的加入！

2020 年 9 月 25 日，在由中国科协主办，清华大学计算机科学与技术系、AI TIME 论道承办的《2020 中国科技峰会系列活动青年科学家沙龙——人工智能学术生态与产业创新》上，浙江大学计算机学院人工智能系主任杨洋副教授进行了题为《Time2Graph：从图视角出发的时间序列建模》的主题报告，杨洋副教授博士毕业于清华大学，师从唐杰教授、李涓子教授，主要的研究方向为面向大规模社交以及信息网络的序列挖掘。

图 1：Time2Graph：从图视角出发的时间序列建模

时间序列数据分析被广泛应用于科研与生产生活中，近年来兴起的图学习由于其强大的建模、表征能力，可以有效捕获时间序列片段之间的相互作用关系，逐渐在时间序列分析领域崭露头角。在本次演讲中，浙江大学计算机学院杨洋副教授从图学习的角度出发，介绍了其研究组在时间序列建模方面的最新研究进展——Time2Graph，该方法可以持续提升模型的可解释性。

图 2：时间序列数据

时间序列数据在我们的日常生活中有非常广泛的应用。例如，在金融领域中，时间序列可以描述股票价格的波动。我们可以基于该数据对股票进行建模，通过分类任务预测股票的涨跌，还可以通过回归任务精准的预测出某只股票明天的价格。除了金融领域，时间序列建模在交通、医疗、物联网，甚至军事领域，都有非常广泛的应用。目前，在某些实际任务中，现有的时间序列模型已经可以达到非常高的准确率。

图 3：挑战——缺乏可解释性

然而，现有的时间序列模型仍然缺少一定的可解释性。如图 3 所示，在杨洋教授课题组与深圳二外医院的合作项目中，他们使用了人的立体定向脑电图（sEEG）数据，检测其中的癫痫波，图 3 中颜色高亮的部分是深度学习模型认为出现了癫痫波的区域。但是，尽管我们得到了模型的检测结果，却很难反推出模型认为该区域存在癫痫波的原因及推理过程。

图 4：时间序列「基因」

那么，什么是满足人们需求的「可解释性」呢？图 4 描述了 N 个不同的用户手机流量的变化过程，人类很难发现这些数据所表征的意义。但是，我们可以通过信号处理、模式识别等技术手段发现，这些数据背后隐藏着三种差异较大的模式，每一种模式对应着一种用户行为。例如，图 4 中蓝色模式描述手机的流量数据，其变化趋势较为平稳。它背后的物理意义是用户在用手机进行聊天，在该过程中，手机流量不会发生显著的变化。相对而言，黄色模式的信号波动就非常大，可能这代表用户在浏览一些网站，实时流量的大小与不同网页内容所需的流量成正比。对于红色的模式来说，用户正在看电影或视频，其实时手机流量较高。可见，不同的用户行为对应着信号中不同的模式（即不同的时序分布），我们将这些特定片段的分布称为时序数据的演化「基因」。这就好比，不同肤色的基因会表现出不同的外貌特点。类似地，不同的时序演化基因