结构化时间序列的快速非参数聚类
机器学习
2014-04-15 v2 计算机视觉与模式识别
机器学习
摘要
在本文中，我们结合了两种贝叶斯非参数模型：高斯过程 (Gaussian Process, GP) 和狄利克雷过程 (Dirichlet Process, DP)。我们在 GP 模型中的创新是引入了一种 GP 先验的变体，使我们能够对结构化时间序列数据进行建模，即包含组的数据，其中我们希望建模组间和组内变异性。我们在 DP 模型中的创新是实现了一种新的快速折叠变分推断过程，使我们能够比标准变分贝叶斯 (VB) 方法显著更快地优化变分近似。在一个生物时间序列应用中，我们展示了我们的模型如何更好地捕捉数据的显著特征，从而与现有的生物学分类具有更好的一致性，同时相关的推断算法相比基于期望最大化 (EM) 的变分推断提供了两倍的加速。
引用
@article{arxiv.1401.1605,
title = {Fast nonparametric clustering of structured time-series},
author = {James Hensman and Magnus Rattray and Neil D. Lawrence},
journal= {arXiv preprint arXiv:1401.1605},
year = {2014}
}
备注
Accepted for publication in special edition of TPAMI on Bayesian Nonparametrics