Hierarchical ODE: 조기 링크 장애 탐지를 위한 연속 시간 물리적 프로토타입 학습

시계열 프로토타입 학습 (Time series prototype learning)은 관측 모호성 (observational ambiguity)으로 인해 근본적인 어려움을 겪습니다. 이산적 구조 (Discrete architectures)는 확률적 노이즈 (stochastic noise)를 연속적 역학 (continuous dynamics)으로부터 분리하는 능력이 부족하기 때문에 이를 해결하지 못합니다. 더욱이, 경직된 폐쇄 집합 가정 (closed-set assumptions)은 관찰되지 않은 다양성을 포착하지 못합니다. 이러한 한계를 해결하기 위해, 우리는 신경 상미분 방정식 (Neural Ordinary Differential Equation, Neural ODE)을 사용하여 잠재 상태 진화 (latent state evolution)를 연속 적분 곡선 (continuous integral curve)으로 모델링하는 계층적 상미분 방정식 클러스터링 네트워크 (hierarchical ordinary differential equation clustering network)를 제안합니다. 이 정식화 (formulation)는 시간적 연속성 (temporal continuity)을 강제하여 매끄러운 특징 트렌드 (smooth feature trends)를 확률적 노이즈로부터 효과적으로 분리하는 한편, 우리의 적응형 계층 구조 메커니즘 (adaptive hierarchical mechanism)은 경직된 사전 제약 없이 적절한 프로토타입 (prototypes)의 수를 자율적으로 결정합니다. 불규칙하게 샘플링된 시계열 (irregularly sampled time series)을 이용한 조기 링크 장애 탐지 (early link failure detection) 작업에서 검증된 결과, 제안된 방법은 기저의 물리적 프로토타입 (physical prototypes)을 효과적으로 추출하여 견고한 장애 탐지를 가능하게 합니다. 우리의 코드는 https://github.com/NJ-LNN/Hierarchical-ODE 에서 확인할 수 있습니다.