적응형 법칙 기반 변환으로 시계열 분류 혁신

초록

본 논문은 기존 선형 법칙 기반 변환(LLT)을 확장한 적응형 법칙 기반 변환(ALT)을 제안한다. ALT는 가변 길이와 이동을 허용하는 시간 윈도우를 이용해 다양한 스케일의 패턴을 추출하고, 이를 선형 분리 가능한 특징 공간으로 매핑한다. 11개의 UCR 벤치마크 데이터셋에서 K‑NN·SVM 분류기와 결합해 높은 정확도와 빠른 학습·예측 속도를 달성했으며, 하이퍼파라미터 수가 적어 해석 가능성이 뛰어나다는 장점을 강조한다.

상세 분석

ALT는 LLT가 고정 길이 윈도우에 의존해 놓친 다중 스케일 패턴을 보완하기 위해, (r, l, k) 삼중 파라미터로 정의되는 가변‑길이·시프트 윈도우를 도입한다. 여기서 r은 윈도우 길이, l은 시간‑지연 임베딩 차원, k는 시프트 간격을 의미한다. 각 윈도우에서 2l‑1개의 샘플을 균등하게 추출해 l‑차원 임베딩 행렬 S를 구성하고, 스펙트럼 분해를 수행한다. 가장 작은 절대 고유값에 대응하는 고유벡터(v‑shapelet)는 “최소 변동 차원”을 나타내며, 이를 열벡터로 하는 shapelet 행렬 P를 만든다. P는 클래스별로 구분된 파티션을 형성하고, 테스트 인스턴스는 동일한 (r, l, k) 설정으로 행렬 A에 임베딩된 뒤 P와 곱해 O=AP를 얻는다. O의 값이 클래스‑별 shapelet에 의해 최소화되도록 설계돼, 결과적으로 원본 시계열이 선형적으로 구분 가능한 공간으로 변환된다.

특징 생성 단계에서는 O 행렬의 각 클래스 파티션에 대해 퍼센타일, 평균, 분산, 고차 모멘트 등을 계산해 m × c × n × g 차원의 고차원 특징 벡터를 만든다. 여기서 m은 채널 수, c는 클래스 수, n은 통계 지표 수, g는 (r, l, k) 조합 수이다. 이렇게 생성된 특징은 K‑NN이나 SVM 같은 전통적인 분류기에 바로 적용 가능하며, 베이지안 최적화를 통해 소수의 하이퍼파라미터만 튜닝한다.

실험 결과는 ALT가 기본 LLT보다 전반적으로 높은 정확도를 보이며, 특히 복합 패턴을 가진 Epilepsy, FordA/B 데이터셋에서 큰 폭의 개선을 기록한다. 변환 시간은 데이터 길이가 길어질수록 증가하지만, 이는 주로 shapelet 벡터 생성과 스펙트럼 분해 단계에서 발생한다. 변환 후 분류 단계는 K‑NN·SVM 모두에서 매우 빠르게 수행된다.

ALT의 주요 강점은 (1) 가변‑길이 윈도우를 통한 다중 스케일 패턴 포착, (2) 선형 변환을 통한 해석 가능성, (3) 적은 하이퍼파라미터와 낮은 연산 비용이다. 반면, (①) (r, l, k) 조합 탐색이 아직 수동이며, (②) 대규모 시계열에 대한 변환 비용이 상대적으로 높아 추가적인 shapelet pruning이나 자동 파라미터 튜닝이 필요하다. 또한, 현재는 1‑D 및 다변량 시계열에만 적용했으며, 복잡한 시계열 구조(예: 비정형 이벤트 시퀀스)에는 추가적인 확장이 요구된다.