Feature selection for temporal context aware models of multivariate time series
Project goals
In classification or prediction models of multivariate time series, the value of model's output can depend on the past values of other variables. For example, in recurrent neural networks, recurrent connections allow to detect or generate time varying patterns. We believe that a feature selection for such temporal context aware models should be also temporal context aware, which can bring significant improvements in classification or prediction performance. Surprisingly, most papers usually do not consider this and the feature selection for such models does not assume any temporal dependencies in the time series. The proposed project focuses on the ground research on temporal context aware feature selection. Its main objective is to develop and thoroughly analyze novel approaches to this problem. Our main motivation is a promising potential of future application of the developed methods to analysis of biomedical signals. Particularly, the feature selection for the recurrent neural networks will be focused, which seems to be neglected in past, but promising for future.
Keywords
signal processingfeature selectionneural networksclassificationprediction
Public support
Provider
Czech Science Foundation
Programme
Post-graduate (doctorate) grants
Call for proposals
Postdoktorandské granty 14 (SGA0201300006)
Main participants
České vysoké učení technické v Praze / Fakulta elektrotechnická
Contest type
VS - Public tender
Contract ID
13-21696P
Alternative language
Project name in Czech
Selekce příznaků pro modely vícedimenzionálních časových řad uvažující časový kontext
Annotation in Czech
V klasifikačních a predikčních modelech vícedimenzionálních časových řad může hodnota výstupu modelu záviset na minulých hodnotách ostatních proměnných. Například v rekurentních neuronových sítích, rekurentní spoje umožňují detekovat a generovat časově proměnlivé vzory. Naší hypotézou je, že selekce příznaků pro tyto modely by měla také uvažovat časový kontext, což může výrazně vylepšit chování takových modelů, t.j. klasifikační nebo predikční úspěšnost. Překvapivě, většina prací toto nebere v úvahu a selekce příznaků často vůbec neuvažuje časové závislosti. Navrhovaný projekt se zaměřuje na základní výzkum metod selekce příznaků uvažující časový kontext. Jeho hlavním cílem je vyvinout a důkladně analyzovat nové přístupy k tomuto problému. Naší motivací je velký budoucí aplikační potenciál takových metod v oblasti zpracování biomedicínských signálů. Kromě jiného, hlavním důraz bude kladen na selekci příznaků pro rekurentní neuronové sítě, která ač v minulosti velmi zanedbávaná, zdá se být důležitým tématem do budoucna.
Scientific branches
R&D category
ZV - Basic research
CEP classification - main branch
BB - Applied statistics, operational research
CEP - secondary branch
JD - Use of computers, robotics and its application
CEP - another secondary branch
IN - Informatics
10103 - Statistics and probability
10201 - Computer sciences, information science, bioinformathics (hardware development to be 2.2, social aspect to be 5.8)
20204 - Robotics and automatic control
20205 - Automation and control systems
Completed project evaluation
Provider evaluation
U - Uspěl podle zadání (s publikovanými či patentovanými výsledky atd.)
Project results evaluation
The project successfully started research devoted to feature selection for time series data. The results have been published in impacted journals and in conference papers. The project outputs can be used in many application areas where time series modelling and analysis and temporal context plays a role. The panel P103 evaluates the project as successful.
Solution timeline
Realization period - beginning
Feb 1, 2013
Realization period - end
Apr 25, 2017
Project status
U - Finished project
Latest support payment
Apr 10, 2015
Data delivery to CEP
Confidentiality
S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů
Data delivery code
CEP18-GA0-GP-U/01:1
Data delivery date
May 4, 2018
Finance
Total approved costs
1,852 thou. CZK
Public financial support
1,852 thou. CZK
Other public sources
0 thou. CZK
Non public and foreign sources
0 thou. CZK
Recognised costs
1 852 CZK thou.
Public support
1 852 CZK thou.
0%
Provider
Czech Science Foundation
CEP
BB - Applied statistics, operational research
Solution period
01. 02. 2013 - 25. 04. 2017