本論文は、高次元時系列データ分析と異常値、異常検出のための新しいアプローチである「驚きによる学習（LvS）」を提案します。既存の技術が高次元性、複雑な分布、および希少性などの問題により効果的な分析に困難を経験することを指摘し、人間の予期しない偏差に対する注意集中方式である「驚き」の概念にインスピレーションを得ました。 LvSは、期待される行動からの偏差を定量化し、優先順位を付けることによって時系列データの異常現象を定量化し、優先順位を指定します。センサーデータ、世界中の死亡原因データ、米国大統領のスピーチなど、3つの高次元時系列データにLvSを適用して、異常値、異常、および最も変動の大きい特徴を効率的かつ解釈可能に識別できることを示しています。 LvSは、認知科学理論と計算方法を結びつけ、コンテキストを維持しながら異常現象や変化を検出する新しい方法を提供します。
