Interpretable Transformation and Analysis of Timelines through Learning via Surprisability
通过惊异度学习实现时间线数据的可解释变换与分析AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要聚焦通用时间线数据变换，未明确建立宏观时间序列模型或其他所列计量应用。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
通过惊异度学习实现时间线数据的可解释变换与分析
- 研究问题
- 面对高维、稀疏且分布复杂的时间线数据，如何保留上下文并突出异常变化，以识别离群点、异常和变化显著的特征？
- 方法与思路
- 作者提出惊异度学习方法，将偏离预期行为的程度形式化并用于数据变换，在传感器、死亡原因和历史文本数据上示范。
- 材料陈述的贡献
- 摘要称该变换连接注意力认知理论与计算方法，并在三个应用中支持高效、可解释地识别异常及时间线上变化最大的特征。
- 阅读关注点
- 应核对预期行为与惊异度的数学定义、变换保留哪些信息，以及异常识别的验证方式、计算成本和可解释性的评价依据。
- 阅读边界
- 这是arXiv预印本，不能认定已经同行评审或接收。摘要未说明算法细节及量化评价，不能据此判断异常检测的普遍准确性。
原文摘要
The analysis of high-dimensional timeline data and the identification of outliers and anomalies is critical across diverse domains, including sensor readings, biological and medical data, historical records, and global statistics. However, conventional analysis techniques often struggle with challenges such as high dimensionality, complex distributions, and sparsity. These limitations hinder the ability to extract meaningful insights from complex temporal datasets, making it difficult to identify trending features, outliers, and anomalies effectively. Inspired by surprisability -- a cognitive science concept describing how humans instinctively focus on unexpected deviations - we propose Learning via Surprisability (LvS), a novel approach for transforming high-dimensional timeline data. LvS quantifies and prioritizes anomalies in time-series data by formalizing deviations from expected behavior. LvS bridges cognitive theories of attention with computational methods, enabling the detection of anomalies and shifts in a way that preserves critical context, offering a new lens for interpreting complex datasets. We demonstrate the usefulness of LvS on three high-dimensional timeline use cases: a time series of sensor data, a global dataset of mortality causes over multiple years, and a textual corpus containing over two centuries of State of the Union Addresses by U.S. presidents. Our results show that the LvS transformation enables efficient and interpretable identification of outliers, anomalies, and the most variable features along the timeline.