基于原型定义无限隐马尔可夫模型的少样本时间序列分割
机器学习
2021-02-09 v1 信号处理
统计理论
统计理论
摘要
我们提出了一种基于灵活图模型以表达序列事件结构化分布的鲁棒框架，用于对非平稳序列数据进行可解释的少样本分析，该框架使用原型径向基函数（RBF）神经网络发射。我们展示了少样本学习的原型神经网络架构与所提出的 RBF 网络无限隐马尔可夫模型（RBF-iHMM）之间的动机联系。我们表明 RBF 网络可通过原型高效指定，从而表达复杂的非平稳模式，而隐马尔可夫模型用于推断有原则的高层 Markov 动态。该框架在生物医学信号处理应用（如基于 EEG 数据的自动癫痫检测）中展示了效用，其中 RBF 网络仅使用训练长短期记忆变分自编码器所需数据的一小部分便达到了最先进的性能。
引用
@article{arxiv.2102.03885,
title = {Few-shot time series segmentation using prototype-defined infinite hidden Markov models},
author = {Yazan Qarout and Yordan P. Raykov and Max A. Little},
journal= {arXiv preprint arXiv:2102.03885},
year = {2021}
}