Although time series classification has recently received a lot of attention, two considerations make it difficult. First, time series labeling is expensive due to complicated temporal and dimensional data structures. Second, large scale time series data gathered at high sampling rates is associated with the high measurement and storage costs. To address the challenges, we propose a novel problem, semi-supervised learning for low-sampling-rate time series, utilizing few high sampling rate data that are available in most data gathering environments. Since down sampling drops class discriminative features such as short periodicities and peak events, we propose a high-resolution reconstructor with a temporal upsampler. Reconstructed data are then passed through a classifier that is regularized using sampling shift consistency to make the classification of dissimilar shifted down-samples consistent. We demonstrate that our approach outperforms standard semi-supervised learning techniques and propose a guideline that, according to empirical data, ensures high classification performance across various sampling rate time series.
최근 시계열 데이터의 분류문제가 널리 연구되어 왔으나, 두 가지 제약사항으로 인해 문제의 난이도가 증가한다. 먼저 시간적, 차원적으로 복잡한 시계열 데이터의 구조로 인해 시계열 데이터에 레이블을 부여하는 것이 매우 어렵다. 또한 빠른 빈도로 방대한 양의 시계열 데이터를 수집하는 것은 높은 측정 및 저장비용을 초래한다. 이러한 분류문제 상의 어려움을 해결하기 위해 본 연구는 낮은 빈도로 수집된 시계열 데이터를 위한 준지도학습 문제를 정의한다. 이 때 대부분의 데이터 수집 환경에서 얻을 수 있는 높은 빈도의 시계열 데이터를 소수 활용한다. 샘플링 빈도를 낮추는 것은 짧은 주기성이나 피크와 같이 클래스를 구분하는 특징을 제거하므로, 본 연구는 시간적 업샘플러를 포함한 고해상도 복원 모듈을 제안한다. 이후 높은 샘플링 빈도로 복원된 데이터는 분류 모델을 거쳐 클래스를 예측하며, 낮은 샘플링 빈도 상에서 시프트되어 서로 양상이 다른 샘플들 간에 예측의 일관성이 강제된다. 이러한 접근 방식은 기존 준지도학습 방법들에 비해 낮은 빈도로 수집된 시계열 데이터에 대해 높은 분류 정확도를 보였다. 또한 실험을 통해 다양한 샘플링 빈도에 대하여 높은 분류 성능을 보장한다.
