Cadence：一种用于无标签物联网传感器流的实用时间序列划分算法
机器学习
2022-08-03 v2 系统与控制
系统与控制
摘要
时间序列划分在大多数基于机器学习的传感器物联网应用中是必不可少的一步。本文介绍了一种样本高效、鲁棒的时间序列分割模型与算法。我们表明，通过基于最大均值差异（MMD）的分割目标专门学习表征，我们的算法可跨不同应用鲁棒地检测时间序列事件。我们的损失函数使我们能够推断连续样本序列是否来自同一分布（原假设），并确定拒绝原假设（即来自不同分布）的序列对之间的变点。我们展示了其在基于环境感知的活动识别的真实物联网部署中的适用性。此外，尽管文献中存在许多关于变点检测的工作，我们的模型显著更简单，并且可针对不同应用的数据在平均 9-93 秒内完全训练，超参数变化很小。我们在四个流行的变点检测（CPD）数据集上实证评估 Cadence，其匹配或优于现有 CPD 技术。
引用
@article{arxiv.2112.03360,
title = {Cadence: A Practical Time-series Partitioning Algorithm for Unlabeled IoT Sensor Streams},
author = {Tahiya Chowdhury and Murtadha Aldeer and Shantanu Laghate and Jorge Ortiz},
journal= {arXiv preprint arXiv:2112.03360},
year = {2022}
}
备注
28 pages, 13 figures