基于张量分解的高维人类行为数据隐藏结构发现
机器学习
2019-05-23 v1 机器学习
摘要
近年来，技术的快速发展增加了纵向人类行为研究的机会。来自 Fitbit 等可穿戴设备、在线社交网络、手机等的丰富多模态数据可在自然环境中收集。在无监督环境下揭示噪声多向数据的潜在低维结构是一个具有挑战性的问题。张量分解已成功提取多向数据的相互关联的低维描述。在本文中，我们对真实世界的可穿戴传感器数据 StudentLife 应用非负张量分解，以发现潜在时间因子和相似个体群组。关于学期安排以及个体表现与人格的元数据是可用的。我们证明非负张量分解能够成功发现表现出较高学业表现的个体簇，以及频繁参与休闲活动的个体簇。与这些群组相关的恢复潜在时间模式对照真值数据进行验证，以证明我们框架的准确性。
引用
@article{arxiv.1905.08846,
title = {Discovering Hidden Structure in High Dimensional Human Behavioral Data via Tensor Factorization},
author = {Homa Hosseinmardi and Hsien-Te Kao and Kristina Lerman and Emilio Ferrara},
journal= {arXiv preprint arXiv:1905.08846},
year = {2019}
}
备注
2018 WSDM Heteronam Workshop