通过序列到序列循环神经网络的可解释嵌入进行时空特征聚类与识别
机器学习
2020-02-03 v2 信号处理
神经元与认知
机器学习
摘要
编码器-解码器循环神经网络模型(RNN Seq2Seq)在计算与应用的广泛领域中取得了巨大成功。已证明其在对具有时间与空间依赖的数据进行翻译或预测任务建模时是成功的。在本研究中，我们提出一种嵌入方法来可视化并解释这些模型对数据的表示。此外，我们展示该嵌入是一种有效的无监督学习方法，并可用于估计模型训练的最优性。特别地，我们证明，在序列预测上训练的 RNN Seq2Seq 模型的解码器状态的嵌入空间投影以捕获这些序列动态相似性与差异的聚类方式组织。此种性能对应于任意时空特征的无监督聚类，并可用于时间依赖问题，如时间分割、动态活动聚类、自监督分类、动作识别、故障预测等。我们测试并展示了该嵌入方法在 3D 人体姿态时间序列上的应用。我们表明该方法提供了高质量的运动无监督分类。
引用
@article{arxiv.1905.12176,
title = {Clustering and Recognition of Spatiotemporal Features through Interpretable Embedding of Sequence to Sequence Recurrent Neural Networks},
author = {Kun Su and Eli Shlizerman},
journal= {arXiv preprint arXiv:1905.12176},
year = {2020}
}