时间序列数据的降维
机器学习
2014-06-17 v1
摘要
尽管经典降维技术（如 PCA）未考虑数据的时间特性，但它们仍被广泛应用于时间序列数据。在本文中，我们引入了一种专为时间序列设计的因子分解方法，该方法基于贝叶斯多元自回归模型，从而避免了数据点相互独立的假设。关键在于找到自回归矩阵的低秩估计。与其他因子模型的概率版本一样，这会诱导原始数据的潜在低维表示。我们讨论了一些可能的推广和替代方案，其中最相关的是同时平滑和降维的技术。为了说明潜在应用，我们将该模型应用于合成数据集以及不同类型的神经营成像数据（EEG 和 ECoG）。
引用
@article{arxiv.1406.3711,
title = {Dimensionality reduction for time series data},
author = {Diego Vidaurre and Iead Rezek and Samuel L. Harrison and Stephen S. Smith and Mark Woolrich},
journal= {arXiv preprint arXiv:1406.3711},
year = {2014}
}