FlowPath: Lernende Flows für robuste Klassifikation unregelmäßiger Zeitreihen

Die neue Methode FlowPath nutzt invertierbare neuronale Flows, um die Geometrie von Kontrollpfaden aus unregelmäßig gesampelten Zeitreihen zu lernen. Anstatt auf starre Interpolationsschemata zurückzugreifen, baut FlowPath ein kontinuierliches, datenadaptives Manifold auf, das durch Invertierbarkeitsbeschränkungen stabil und informationsbewahrend bleibt.

Durch diese gezielte Modellierung der Pfadgeometrie erzielt FlowPath signifikante Verbesserungen bei der Klassifikation. In Tests mit 18 Benchmark-Datensätzen und einer realen Fallstudie übertrifft die Methode bestehende Ansätze, die feste Interpolanten oder nicht-invertierbare Architekturen verwenden.

Die Ergebnisse unterstreichen, wie wichtig es ist, nicht nur die Dynamik entlang des Pfades, sondern auch dessen Form zu erfassen. FlowPath bietet damit eine robuste und generalisierbare Lösung für die Analyse von seltenen und unregelmäßig gesampelten Zeitreihen.