Los autores desarrollan una generalización de los embeddings terminales a segmentos de línea afines para abordar la limitación de que los embeddings terminales estándar no pueden preservar las estructuras lineales requeridas para agrupar datos de series temporales bajo interpolación común por línea recta. Utilizan estos embeddings que preservan líneas para obtener los primeros coresets independientes de la dimensión para agrupar series temporales bajo la distancia de Fréchet, aprovechando los embeddings de Johnson-Lindenstrauss (JL) como técnica subyacente de reducción de dimensionalidad.
- El método generaliza los embeddings terminales a segmentos de línea afines, superando la incapacidad de las técnicas estándar para preservar estructuras lineales.
- Permite la construcción de los primeros coresets independientes de la dimensión para agrupar series temporales bajo la distancia de Fréchet.
- Los experimentos en series temporales sintéticas y del mundo real muestran un rendimiento similar al de los embeddings JL y resultados favorables frente a PCA.
- A diferencia de otros métodos, solo los embeddings terminales extienden la preservación de la distancia por pares a todo el espacio ambiente.
Este enfoque permite una reducción efectiva de dimensionalidad en tareas complejas de clustering de series temporales donde es crítico preservar la interpolación lineal entre mediciones.