A graph convolutional network for time series classification using recurrence plots

Hyewon Kang, 이정혜 (2025) · mathematics

시계열 분류에 recurrence plot (RP) → graph 변환 + Graph Convolutional Network (GCN) 적용. Multi-task Deep Learning for Human Activity, Speed, and Body Weight Estimation using Commercial Smart Insoles (smart insoles 의 같은 저자 Hyewon Kang) 의 RP-based time series 접근 의 발전. RP 의 binary similarity matrix 를 graph adjacency 로 해석 → GCN 적용. 이정혜 의 실타래 5 (Graph-based methods) 의 시계열 응용.

RQ: 시계열의 recurrence plot 을 graph 로 변환 후 GCN 으로 분류하는 접근의 효과는? RP-image (CNN) vs RP-graph (GCN) 비교?
방법론: 시계열 → recurrence plot → graph (adjacency matrix) → graph-convolutional-network 분류
데이터: 시계열 분류 benchmarks
주요 발견: (1) RP-graph + GCN > RP-image + CNN (또는 유사). (2) Graph 표현이 recurrence relationship 의 non-Euclidean 구조 보존. (3) GCN 의 node aggregation 이 local + global temporal patterns 동시 포착.
시사점: RP based time series 의 새 분기 — image 가 아닌 graph 로. Graph ML 의 시계열 도메인 확장.

요약

이 paper 는 이정혜 의 *3 기 SNU TEMEP 의 시계열 + 그래프 ML 의 응용. Hyewon Kang (Multi-task Deep Learning for Human Activity, Speed, and Body Weight Estimation using Commercial Smart Insoles 의 같은 저자) 와의 RP 라인 발전.

방법론적 핵심: Recurrence plot → graph 변환. 시계열 $\{x_t\}$ 의 RP: $\text{RP}(i,j) = \Theta(\varepsilon - \|x_i - x_j\|)$ — binary similarity matrix. 본 paper 는 RP 를 image 가 아니라 graph 로 해석: $A = \text{RP}$ as adjacency matrix, nodes = time points.

GCN: $H^{(l+1)} = \sigma(\hat A H^{(l)} W^{(l)})$ , $\hat A$ = normalized adjacency. Node features = time-domain features. Multi-layer GCN → graph-level pooling → classifier.

핵심 발견: RP-graph + GCN 이 RP-image + CNN (Multi-task Deep Learning for Human Activity, Speed, and Body Weight Estimation using Commercial Smart Insoles 패턴) 과 유사 또는 우월. Graph 표현이 recurrence 의 non-Euclidean 관계 를 더 잘 포착 — CNN 의 local convolution 이 long-distance recurrence 를 놓치는 한계 극복.

이정혜 의 연구 궤적 안에서 이 paper 는 실타래 5 (Graph-based methods) 의 시계열 응용 + 실타래 3 (Time series) 의 그래프 측면. TMF-GNN: Temporal matrix factorization-based graph neural network for multivariate time series forecasting with missing values 와 같은 해 발표된 graph + 시계열 시리즈.

핵심 결과

방법	비교
RP-image + CNN (Multi-task Deep Learning for Human Activity, Speed, and Body Weight Estimation using Commercial Smart Insoles 패턴)	baseline
RP-graph + GCN (본 paper)	유사 또는 우월
Direct time series + LSTM	평균

방법론 노트

recurrence-plot → graph:

A_{ij} = \Theta(\varepsilon - \|x_i - x_j\|), \quad \text{nodes} = \{t_1, \ldots, t_T\}

graph-convolutional-network (Kipf & Welling 2017):

H^{(l+1)} = \sigma(\tilde D^{-1/2} \tilde A \tilde D^{-1/2} H^{(l)} W^{(l)})

Graph pooling → graph-level representation → classifier.

식별 가정: (i) RP 의 time series 정보 보존, (ii) Graph adjacency 가 recurrence relationship 정확 표현, (iii) GCN 의 non-Euclidean 학습 능력.

연구 계보

이 paper 는 (i) Kipf & Welling (2017) GCN 본가, (ii) Eckmann et al. (1987) recurrence plot 본가, (iii) Multi-task Deep Learning for Human Activity, Speed, and Body Weight Estimation using Commercial Smart Insoles 의 RP-image 시계열 자매 — 의 결합. 이정혜 의 연구 궤적 실타래 5 의 시계열 응용.

인접 그래프

1-hop 이웃 5개

인물 2
방법론 1
논문 2

휠 = 확대/축소 · 드래그 = 이동 · hover = 라벨 · 클릭 = 페이지 이동

이 문서를 가리키는 페이지

인물 (1)

이정혜