Naukowcy z zespołu badawczego przedstawili Sheaf SyncMap - metodę rozwiązującą problem nienadzorowanego kontinualnego segmentowania sekwencji czasowych poprzez identyfikację grup stanów, które regularnie się pojawiają. Kluczową innowacją jest zastosowanie regularyzacji sheaf, która zmniejsza lokalne niespójności w systemie Decentralized SyncMap i stabilizuje proces tworzenia segmentów danych.
Podstawą pracy jest obserwacja, że w naturalnych sekwencjach czasowych (zarówno w systemach biologicznych, jak i sztucznych) pewne stany często współwystępują i powinny być grupowane. Dotychczasowe podejścia ma problem ze stabilnością tych grup w czasie - segmenty mogą się zmieniać i ulegać fragmentacji. Radialny sheaf stosowany w metodzie penalizuje zmianę odległości między zmiennymi, co prowadzi do bardziej spójnych i trwałych segmentów.
Wyniki eksperymentów są obiecujące: Sheaf SyncMap uzyskała najlepsze wyniki znormalizowanej informacji wzajemnej na 12 z 18 grafów w scenariuszu z dwustanową pamięcią i na 17 z 18 grafów z dynamiczną pamięcią. Szczególnie istotne jest to, że metoda wykazała zdolność do adaptacji do zmian rozkładu danych bez zjawiska negatywnego transferu - problemu plagującego nowoczesne systemy nauczania maszynowego, gdzie ucza się na nowych danych prowadzi do pogorszenia wyników na starych zadaniach.