Scoperta Non Supervisionata in Serie Temporali Multivariate

Un nuovo studio introduce un metodo per la scoperta di relazioni in serie temporali multivariate, basato su reti di similarità strutturale latente. L'approccio mira a costruire un grafo relazionale sulle entità senza assumere linearità o stazionarietà.

Architettura del Metodo

Il metodo proposto utilizza un autoencoder sequence-to-sequence non supervisionato per apprendere rappresentazioni a livello di finestra. Queste rappresentazioni vengono poi aggregate in embedding a livello di entità. Una rete di similarità sparsa viene indotta tramite il thresholding di una misura di similarità nello spazio latente.

Obiettivi e Applicazioni

La rete risultante funge da astrazione analizzabile, comprimendo lo spazio di ricerca pairwise ed esponendo relazioni candidate per ulteriori indagini. L'obiettivo non è l'ottimizzazione per la predizione o il trading, ma l'analisi delle relazioni sottostanti. Il framework è stato testato su un dataset di cryptocurrency, dimostrando la capacità di indurre una struttura di rete coerente.