时间序列聚类与 HMM 的惊人鲁棒性
信息论
2018-04-24 v2 机器学习
math.IT
机器学习
摘要
假设我们给定一时间序列，其中连续样本被认为来自某个概率源，该源不时改变且源的总数固定。我们的目标是估计这些源的分布。该问题的标准方法是将数据建模为隐马尔可夫模型（hidden Markov model, HMM）。然而，由于数据通常缺乏 HMM 的马尔可夫性或平稳性，人们会问此方法是否仍然适用或是否需要其他方法。本文表明，最大似然 HMM 估计器可用于在比 HMM 大得多的模型类中近似源分布。具体地，我们提出一种自然且相当通用的数据非平稳模型，其唯一限制是源不会变化过于频繁。主要结果表明，对于该模型，最大似然 HMM 估计器能产生数据的正确二阶矩，且结果可推广到更高阶矩。
引用
@article{arxiv.1605.02531,
title = {Clustering Time Series and the Surprising Robustness of HMMs},
author = {Mark Kozdoba and Shie Mannor},
journal= {arXiv preprint arXiv:1605.02531},
year = {2018}
}