用于长序列时间序列聚类的具体稠密网络
机器学习
2024-05-09 v1
摘要
时间序列聚类是数据分析中发现时间模式的基础。尽管最近取得了进展，但学习对聚类友好的表示仍然具有挑战性，特别是对于长而复杂的时间序列。深度时间序列聚类方法一直试图将经典的k-means整合到神经网络的端到端训练中，但由于硬聚类分配的不可微性而退化为使用替代损失，从而产生次优解。此外，最先进的RNN中使用的自回归策略容易出现误差累积和训练缓慢，而最近的研究表明，由于时间点缺乏语义、丢弃时间顺序的注意力置换不变性以及高昂的计算成本，Transformers的效果较差。基于这些观察，我们提出了LoSTer，这是一种用于长序列时间序列聚类问题（LSTC）的新型稠密自编码器架构，能够通过Gumbel-softmax重参数化技巧优化k-means目标，并专为长序列时间序列的准确快速聚类而设计。在众多基准数据集和两个实际应用上的大量实验证明了LoSTer优于最先进的RNN和基于Transformer的深度聚类方法。
引用
@article{arxiv.2405.05015,
title = {Concrete Dense Network for Long-Sequence Time Series Clustering},
author = {Redemptor Jr Laceda Taloma and Patrizio Pisani and Danilo Comminiello},
journal= {arXiv preprint arXiv:2405.05015},
year = {2024}
}
备注
Under review in IEEE Transactions on Pattern Analysis and Machine Intelligence