A Functional approach for Two Way Dimension Reduction in Time Series
时间序列双向降维的函数型方法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：摘要明确针对时间序列开展函数型分析和降维，未提供因子模型或预测任务的直接依据。
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…
时间序列双向降维的函数型方法
- 研究问题
- 对于以函数形式表示的时间序列，如何同时减少函数特征数量与观测时间点，并保留非线性的函数结构？
- 方法与思路
- 作者提出非线性函数到函数的编码器与解码器，以连续隐藏层和连续神经元学习函数结构，形成低维潜在表示。
- 材料陈述的贡献
- 摘要称该方法同时压缩函数特征与时间观测维度，回应既有方法在线性映射或标量表示上的限制，并用模拟和实例展示效果。
- 阅读关注点
- 应核对连续神经元的数学定义、双向降维与重建目标、观测时间网格的处理，以及与现有函数型降维方法的比较设置。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核验。摘要未说明理论保证、具体应用数据或效果数值，不能据此确认普遍优势。
原文摘要
The rise in data has led to the need for dimension reduction techniques, especially in the area of non-scalar variables, including time series, natural language processing, and computer vision. In this paper, we specifically investigate dimension reduction for time series through functional data analysis. Current methods for dimension reduction in functional data are functional principal component analysis and functional autoencoders, which are limited to linear mappings or scalar representations for the time series, which is inefficient. In real data applications, the nature of the data is much more complex. We propose a non-linear function-on-function approach, which consists of a functional encoder and a functional decoder, that uses continuous hidden layers consisting of continuous neurons to learn the structure inherent in functional data, which addresses the aforementioned concerns in the existing approaches. Our approach gives a low dimension latent representation by reducing the number of functional features as well as the timepoints at which the functions are observed. The effectiveness of the proposed model is demonstrated through multiple simulations and real data examples.