用于运动数据分析的高效度量学习
机器学习
2019-03-13 v3 机器学习
摘要
我们研究动态时间规整(DTW)背景下的度量学习，DTW是用于运动捕捉数据比较和分析迄今为止最流行的不相似度度量。虽然度量学习能够实现问题自适应的数据表示，但大多数方法仅针对向量数据提出。在本工作中，我们通过将得到的分量级不相似度值视为特征，将大间隔最近邻学习器(LMNN)所提供的流行原理扩展到DTW。我们证明该原理在多个基准测试中大幅提升了分类准确率。此外，我们展示了诸如度量正则化等近期辅助概念可以以类似方式从向量情形转移到分量级DTW。我们阐明度量正则化构成了对所得相关性轮廓进行解释的至关重要的先决条件。
引用
@article{arxiv.1610.05083,
title = {Efficient Metric Learning for the Analysis of Motion Data},
author = {Babak Hosseini and Barbara Hammer},
journal= {arXiv preprint arXiv:1610.05083},
year = {2019}
}
备注
23 pages, 8 figures, DSAA 2015 conference