Shapelets are time series subsequences that effectively distinguish time series classes. Recently, time series classifiers based on shapelets have gained interest from the community thanks to their high accuracy and interpretable results. However, these shapelet-based methods still have some shortcoming in calculating sub-distance between shapelet and time series and the difficulty of training the minimum distance function. In this dissertation, we firstly propose a novel linear-complexity time series distance measure, Perceptually and Position-aware Important Subsequence Distance (PISD), that efficiently assesses the similarity of two time series based on a subsequence distance of their important subsequences. In contrast to well-known local shape-based measures, our method utilizes perceptually important points to automatically extract the important subsequences from time series, and leverages the position-aware corresponding subsequences instead of the whole time series to calculate subsequence distance. After that, we propose the novel shapelet-based classifier, called Shapelet Adaptation Network (SAN), which utilize PISD for extracting shapelet and transforming the time series to feature space. Our SAN also use the simple linear regression to learn directly from distance space instead of using soft-minimum function and transform the input time series to adapt with the chosen shapelets rather than optimizing the shapelet.
Shapelet은 시계열 클래스를 효과적으로 구분하는 시계열 하위 시퀀스입니다. 최근에 shapelet을 기반으로 하는 시계열 분류기는 높은 정확도와 해석 가능한 결과 덕분에 커뮤니티에서 관심을 받았습니다. 그러나 이러한 shapelet 기반 방법은 여전히 shapelet과 시계열 사이의 하위 거리를 계산하는 데 몇 가지 단점과 최소 거리 함수를 훈련시키는 데 어려움이 있습니다. 이 논문에서 우리는 먼저 새로운 선형 복잡도 시계열 거리 측정인 Perceptually and Position-aware Important Subsequence Distance(PISD)를 제안합니다. 이 측정값은 중요한 부분 시퀀스의 부분 시퀀스 거리를 기반으로 두 시계열의 유사성을 효율적으로 평가합니다. 잘 알려진 로컬 모양 기반 측정과 달리 우리의 방법은 지각적으로 중요한 포인트를 활용하여 시계열에서 중요한 하위 시퀀스를 자동으로 추출하고 전체 시계열 대신 위치 인식 해당 하위 시퀀스를 활용하여 하위 시퀀스 거리를 계산합니다. 그 후, Shapelet을 추출하고 시계열을 특징 공간으로 변환하기 위해 PISD를 활용하는 Shapelet Adaptation Network(SAN)라는 새로운 shapelet 기반 분류기를 제안합니다. 우리의 SAN은 또한 soft-minimum 함수를 사용하는 대신 거리 공간에서 직접 학습하기 위해 단순 선형 회귀를 사용하고 shapelet을 최적화하는 대신 선택한 shapelet에 적응하도록 입력 시계열을 변환합니다.
