摘要
时间序列原型学习面临观察模糊性挑战。离散架构无法解决这一问题，因为它们缺乏将随机噪声与连续动态解耦的能力。此外，刚性的闭集假设无法捕捉未见的多样性。为了解决这些局限性，本文提出了一种层次化常微分方程聚类网络，利用神经常微分方程对潜在状态演化建模，作为连续积分曲线。该公式强制执行时间连续性，有效地将平滑特征趋势与随机噪声分离，而我们的自适应层次机制能够自主确定适当的原型数量，而无需严格的先验约束。通过对不规则采样时间序列的早期链路故障检测任务进行验证，所提出的方法有效提取底层物理原型，从而实现稳健的故障检测。
代码可在 GitHub 获取。
博主点评： 本文通过引入层次化常微分方程，成功解决了传统时间序列分析中的噪声干扰问题，展现了其在链路故障检测中的潜力。这一方法的自适应特性使得原型数量的确定更加灵活，为未来的动态系统监控提供了新的思路。