DeConFuse：一种基于深度卷积变换的无监督融合框架
机器学习
2020-11-10 v1
摘要
本工作提出了一种基于深度卷积变换学习的无监督融合框架。卷积滤波器用于数据分析的强大学习能力已得到广泛认可。卷积特征的成功归功于卷积神经网络（CNN）。然而，CNN无法以无监督方式执行学习任务。在最近的一项工作中，我们表明采用卷积变换学习（CTL）方法可以解决这一缺陷，其中卷积滤波器以无监督方式学习。本文旨在（i）提出CTL的深度版本；（ii）利用所提出的深度CTL表示提出无监督融合公式；（iii）开发数学上严谨的优化策略以执行学习任务。我们将所提出的技术（命名为DeConFuse）应用于股票预测与交易问题。与最先进的方法（基于CNN和长短期记忆网络）的比较显示了我们的方法在执行可靠特征提取方面的优越性。
引用
@article{arxiv.2011.04337,
title = {DeConFuse : A Deep Convolutional Transform based Unsupervised Fusion Framework},
author = {Pooja Gupta and Jyoti Maggu and Angshul Majumdar and Emilie Chouzenoux and Giovanni Chierchia},
journal= {arXiv preprint arXiv:2011.04337},
year = {2020}
}
备注
Accepted at EURASIP JASP 2020