ARC@ORU: Effektiva representationer av tidsseriedata med hyperdimensionell beräkning

• Föreläsare: Kenny Schlegel, doktorand vid Chemnitz University of Technology
• Värd: Denis Kleyko, biträdande lektor i datavetenskap och ställföreträdande föreståndare för ARC
• Tid: 9 oktober, kl. 09.15–10.30
• Zoom link: https://oru-se.zoom.us/j/69292982315?pwd=jhanrL85DDbQWd8QJn6XsZCxNNZXwH.1 

Efficient Representations of Time Series Data using Hyperdimensional Computing

Sv: "Effektiva representationer av tidsseriedata med hyperdimensionell beräkning"

Om seminariet

I denna föreläsning presenterar Kenny Schlegel sin doktorsavhandling inom tidsserieklassificering, med särskilt fokus på utmaningen att bevara tidsordningen i data. Många vanliga metoder förenklar sekvenser genom att slå samman dem över tid, men då går viktig information om händelseordningen förlorad. Sådan information kan vara avgörande i tillämpningar som exempelvis hälsomonitorering, där tidsberoenden i fysiologiska signaler är viktiga, eller i autonoma system som måste reagera på sekvenser av händelser.

För att lösa denna utmaning har han undersökt hyperdimensionell beräkning – ett beräkningsparadigm där information representeras som högdimensionella vektorer och strukturer fångas med hjälp av algebra-liknande operationer. Genom att binda egenskaper till deras tidspositioner har han utvecklat kompakta representationer som behåller det tidsmässiga sammanhanget. När dessa representationer kombinerades med moderna klassificeringsmodeller förbättrades förmågan att känna igen mönster över tid – utan nämnvärd ökning av beräkningskostnaden.

Experiment på både benchmark-data och verkliga tillämpningar visar att explicita tidskodningar ger mer träffsäkra modeller för analys av tidsseriedata.

Om föreläsaren

Kenny Schlegel har både kandidat- och masterexamen i elektroteknik med inriktning mot automationssystem. Han har nyligen lämnat in sin doktorsavhandling vid Chemnitz University of Technology i Tyskland, där hans forskning fokuserar på mobil robotik – särskilt bild- och tidsserieanalys.

Hans intresseområde är avancerade AI-metoder, med särskilda bidrag inom hyperdimensionell beräkning, som möjliggör effektiv och kompakt datarepresentation via högdimensionella neurala representationer. Hans arbete har tillämpningar inom klassificering av rumslig och tidsmässig data, såsom tidsserier. Han har även medverkat i praktiska projekt inom mobil robotik.

--

In English:

• Speaker: Kenny Schlegel, PhD student, Chemnitz University of Technology
• Host: Denis Kleyko, Associate Senior Lecturer, Computer Science, Deputy Director, ARC
• Time: 9 October, 09.15 – 10.30
• Zoom link: https://oru-se.zoom.us/j/69292982315?pwd=jhanrL85DDbQWd8QJn6XsZCxNNZXwH.1 

Efficient Representations of Time Series Data using Hyperdimensional Computing 

About the seminar

This talk will present the research of my PhD thesis in the field of time series classification, with a focus on the challenge of preserving temporal order in data. Many common methods simplify sequences by aggregating over time, but this often removes crucial information about the order of events. Such information can be critical in applications like healthcare monitoring, where temporal dependencies in physiological signals matter, or in autonomous systems that must respond to event sequences.

To address this challenge, we explored hyperdimensional computing, a computational framework that represents information in high-dimensional vectors and uses algebra-like operations to capture structure. We developed efficient methods for binding features with their timing, creating compact representations that retain temporal context. By combining these methods with state-of-the-art classification models, we improved their ability to recognize patterns over time without adding significant computational costs.

Our experiments on benchmarks and real-world tasks show that explicitly encoding temporal information leads to more accurate models for time series data.

Bio

Kenny Schlegel holds a Bachelor’s and Master’s degrees in electrical engineering, with a specialization in automation systems. He recently submitted his PhD thesis at Chemnitz University of Technology (Germany), where his research focuses on mobile robotics, particularly in image and time series processing. His interests are in advanced Artificial Intelligence methods, with contributions to the field of hyperdimensional computing, which enables efficient and compact data representation through high-dimensional neural representations. His work has applications in areas like classification from spatiotemporal data, such as time series. He has also been involved in applied mobile robot projects.