ترجمه فارسی مقاله طبقه بندی سری زمانی با ابعاد بالا در حوزه طیفی با استفاده از ویژگی های قابل توضیح

چکیده

Interpretable classification of time series presents significant challenges in high dimensions. Traditional feature selection methods in the frequency domain often assume sparsity in spectral density matrices (SDMs) or their inverses, which can be restrictive for real-world applications. In this article, we propose a model-based approach for classifying high-dimensional stationary time series by assuming sparsity in the difference between inverse SDMs. Our approach emphasizes the interpretability of model parameters, making it especially suitable for fields like neuroscience, where understanding differences in brain network connectivity across various states is crucial. The estimators for model parameters demonstrate consistency under appropriate conditions. We further propose using standard deep learning optimizers for parameter estimation, employing techniques such as mini-batching and learning rate scheduling. Additionally, we introduce a method to screen the most discriminatory frequencies for classification, which exhibits the sure screening property under general conditions. The flexibility of the proposed model allows the significance of covariates to vary across frequencies, enabling nuanced inferences and deeper insights into the underlying problem. The novelty of our method lies in the interpretability of the model parameters, addressing critical needs in neuroscience. The proposed approaches have been evaluated on simulated examples and the `Alert-vs-Drowsy’ EEG dataset.

چکیده به فارسی (ترجمه ماشینی)

طبقه بندی قابل تفسیر سری زمانی چالش های قابل توجهی را در ابعاد بالا نشان می دهد.روشهای انتخاب ویژگی های سنتی در حوزه فرکانس اغلب ماتریس در ماتریس چگالی طیفی (SDM) یا معکوس آنها را فرض می کنند ، که می تواند برای کاربردهای دنیای واقعی محدود کننده باشد.در این مقاله ، ما یک رویکرد مبتنی بر مدل برای طبقه بندی سری زمانی ثابت با ابعاد بالا با فرض پراکندگی در تفاوت بین SDM های معکوس پیشنهاد می کنیم.رویکرد ما بر تفسیر پارامترهای مدل تأکید می کند ، و آن را به ویژه برای زمینه هایی مانند علوم اعصاب مناسب می کند ، جایی که درک تفاوت در اتصال شبکه مغز در حالت های مختلف بسیار مهم است.برآوردگرهای پارامترهای مدل در شرایط مناسب ثبات را نشان می دهند.ما بیشتر با استفاده از بهینهای استاندارد یادگیری عمیق برای برآورد پارامترها ، استفاده از تکنیک هایی مانند مینی دسته بندی و برنامه ریزی نرخ یادگیری پیشنهاد می کنیم.علاوه بر این ، ما روشی را برای نمایش تبعیض آمیزترین فرکانس ها برای طبقه بندی معرفی می کنیم ، که دارای خاصیت غربالگری مطمئن در شرایط عمومی است.انعطاف پذیری مدل پیشنهادی اجازه می دهد تا اهمیت متغیرهای متغیر در فرکانس ها متفاوت باشد ، استنباط های ظریف و بینش های عمیق تر در مورد مشکل اساسی امکان پذیر است.تازگی روش ما در تفسیر پارامترهای مدل نهفته است و نیازهای مهم در علوم اعصاب را برطرف می کند.رویکردهای پیشنهادی در نمونه های شبیه سازی شده و مجموعه داده EEG “هشدار-VS-Drowsy” ارزیابی شده است.