Persistent homology of featured time series data and its applications
带特征时间序列的持久同调及其应用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：摘要直接研究时间序列的图表示与拓扑分析，支持时间序列方法分类；股票异常检测不足以支持具体金融细分。
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…
关注这篇论文的作者
带特征时间序列的持久同调及其应用
- 研究问题
- 如何在时间序列的持久同调分析中纳入领域知识，并通过可调特征权重改变拓扑计算，同时保持方法对调整的稳定性？
- 方法与思路
- 作者定义由附加领域特征的时间序列及其影响向量组成的对象，在图表示基础上计算持久同调，并分析影响向量调整的稳定性。
- 材料陈述的贡献
- 摘要称提出可按领域知识定制的拓扑分析方法并证明稳定性定理，以股票异常检测与音乐拓扑分析两个例子展示方法优势。
- 阅读关注点
- 应核对特征如何进入图结构、影响向量的约束与稳定性定理所用距离，以及两个应用如何检验特征选择和权重调整的实际作用。
- 阅读边界
- 这是 arXiv 预印本，同行评审与期刊接收未核实。摘要未给出稳定性界、实验指标或比较结果，不能推断金融预测或风险分析能力。
原文摘要
Recent studies have actively employed persistent homology (PH), a topological data analysis technique, to analyze the topological information in time series data. Many successful studies have utilized graph representations of time series data for PH calculation. Given the diverse nature of time series data, it is crucial to have mechanisms that can adjust the PH calculations by incorporating domain-specific knowledge. In this context, we introduce a methodology that allows the adjustment of PH calculations by reflecting relevant domain knowledge in specific fields. We introduce the concept of featured time series, which is the pair of a time series augmented with specific features such as domain knowledge, and an influence vector that assigns a value to each feature to fine-tune the results of the PH. We then prove the stability theorem of the proposed method, which states that adjusting the influence vectors grants stability to the PH calculations. The proposed approach enables the tailored analysis of a time series based on the graph representation methodology, which makes it applicable to real-world domains. We consider two examples to verify the proposed method's advantages: anomaly detection of stock data and topological analysis of music data.