Os autores desenvolvem uma generalização dos embeddings terminais para segmentos de linha afins para abordar a limitação de que os embeddings terminais padrão não podem preservar as estruturas lineares necessárias para agrupar dados de séries temporais sob interpolação comum por linha reta. Eles utilizam esses embeddings que preservam linhas para obter os primeiros coresets independentes de dimensão para agrupar séries temporais sob a distância de Fréchet, aproveitando os embeddings de Johnson-Lindenstrauss (JL) como a técnica subjacente de redução de dimensionalidade.
- O método generaliza os embeddings terminais para segmentos de linha afins, superando a incapacidade das técnicas padrão de preservar estruturas lineares.
- Ele permite a construção dos primeiros coresets independentes de dimensão para agrupar séries temporais sob a distância de Fréchet.
- Experimentos em séries temporais sintéticas e do mundo real mostram desempenho semelhante ao dos embeddings JL e resultados favoráveis em comparação com o PCA.
- Diferentemente de outros métodos, apenas os embeddings terminais estendem a preservação da distância par-a-par para todo o espaço ambiente.
Esta abordagem permite uma redução eficaz de dimensionalidade em tarefas complexas de clustering de séries temporais onde preservar a interpolação linear entre medições é crítico.