核化shapelets的提升：局部特征的理论与算法
机器学习
2017-09-08 v3
摘要
我们考虑利用物体局部特征的二分类问题。一个 motivating 应用是时间序列分类，其中反映时间序列与称为 shapelet 的模式序列之间局部紧密度的特征很有用。尽管这类使用局部特征的方法取得了经验成功，所得假设的泛化能力却未被充分理解，且先前工作依赖大量启发式方法。本文使用局部特征公式化了一类假设，其中特征的丰富度由核控制。我们推导了该类上稀疏集成的泛化界，相对于可能局部特征的数量，比标准分析指数级更优。所得优化问题非常契合提升方法，且弱学习问题被公式化为 DC 规划，对此存在实用算法。在时间序列数据集的初步实验中，我们的方法以较小的参数调优代价达到了与最先进算法竞争的精度。
引用
@article{arxiv.1709.01300,
title = {Boosting the kernelized shapelets: Theory and algorithms for local features},
author = {Daiki Suehiro and Kohei Hatano and Eiji Takimoto and Shuji Yamamoto and Kenichi Bannai and Akiko Takeda},
journal= {arXiv preprint arXiv:1709.01300},
year = {2017}
}
备注
16 pages, 1 figures