一种用于非均匀采样时间序列分类的可扩展端到端高斯过程适配器
机器学习
2016-11-01 v2 机器学习
摘要
我们提出了一个用于稀疏且非均匀采样时间序列分类的通用框架。此类时间序列的特性会导致对底层时间过程的值产生显著的不确定性，同时使得假定固定维特征空间的标准分类方法难以处理这些数据。为了应对这些挑战，我们提出了一种基于特殊计算层的不确定性感知分类框架，我们将该计算层称为高斯过程适配器，它可以将非均匀采样时间序列数据连接到任何可通过梯度下降学习的黑盒分类器。我们展示了如何基于结合结构化核插值框架和Lanczos近似方法来扩展所需的计算，以及如何使用反向传播将高斯过程适配器与多种分类器进行端到端的判别式训练。
引用
@article{arxiv.1606.04443,
title = {A scalable end-to-end Gaussian process adapter for irregularly sampled time series classification},
author = {Steven Cheng-Xian Li and Benjamin Marlin},
journal= {arXiv preprint arXiv:1606.04443},
year = {2016}
}