Dimension Reduction for time series with Variational AutoEncoders
利用变分自编码器进行时间序列降维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：摘要直接研究单变量和多变量时间序列的降维及噪声处理，对应时间序列方法，但应用对象为心电图而非宏观数据。
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…
利用变分自编码器进行时间序列降维
- 研究问题
- 面对高维单变量或多变量时间序列，卷积变分自编码器与小波分解在重构表现及噪声鲁棒性上有何差异？
- 方法与思路
- 作者在公开心电图数据上比较小波分解与卷积变分自编码器，以重构误差评价降维，并测试训练及推断阶段的噪声影响。
- 材料陈述的贡献
- 摘要称，变分自编码器适合心电图等高维数据的降维，并在所考察的训练噪声和推断噪声测试中表现出鲁棒性。
- 阅读关注点
- 应核对压缩维度与模型复杂度是否可比、数据划分是否避免泄漏，以及噪声类型和重构指标如何影响比较结论。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未获核实；摘要未给出误差数值或噪声设定，不能推断经济序列上的表现。
原文摘要
In this work, we explore dimensionality reduction techniques for univariate and multivariate time series data. We especially conduct a comparison between wavelet decomposition and convolutional variational autoencoders for dimension reduction. We show that variational autoencoders are a good option for reducing the dimension of high dimensional data like ECG. We make these comparisons on a real world, publicly available, ECG dataset that has lots of variability and use the reconstruction error as the metric. We then explore the robustness of these models with noisy data whether for training or inference. These tests are intended to reflect the problems that exist in real-world time series data and the VAE was robust to both tests.