基于多模态时间序列数据的跨模态循环模型用于体重目标预测
机器学习
2018-09-13 v2 人工智能
机器学习
定量方法
摘要
我们分析了对应于体重、睡眠和步数测量的多模态时间序列数据。我们专注于预测用户是否能成功实现其体重目标。为此，我们设计了多种深度长短期记忆（LSTM）架构，包括一种新颖的跨模态 LSTM（X-LSTM），并证明了它们相对于基线方法的优越性。X-LSTM 通过分别处理每个模态，并通过循环交叉连接允许它们之间的信息流动，从而提高了参数效率。我们提出了一种用于 X-LSTM 的通用超参数优化技术，该技术使我们在使用可比数量参数的情况下，显著优于 LSTM 和先前最先进的跨模态方法。最后，我们可视化了模型的预测，揭示了该任务中潜变量的影响。
引用
@article{arxiv.1709.08073,
title = {Cross-modal Recurrent Models for Weight Objective Prediction from Multimodal Time-series Data},
author = {Petar Veličković and Laurynas Karazija and Nicholas D. Lane and Sourav Bhattacharya and Edgar Liberis and Pietro Liò and Angela Chieh and Otmane Bellahsen and Matthieu Vegreville},
journal= {arXiv preprint arXiv:1709.08073},
year = {2018}
}
备注
To appear in NIPS ML4H 2017 and NIPS TSW 2017