用于多元时间序列简约传输的图谱嵌入
机器学习
2019-10-11 v1 机器学习
摘要
我们提出了一种时间序列数据的图谱表示，其1)以用户要求的分辨率进行简约编码；2)在无监督且在数据受限场景下表现良好；3)捕获时间序列内的事件和事件转移结构；以及4)在信号长度和 ambient 维度上均具有近线性计算复杂度。我们将此表示称为拉普拉斯事件信号分割(LESS)，它可计算于任意维度和源自任意类型传感器的时序上。因此，源自异构类型传感器的时间序列可在被融合于公共中心之前压缩到受限通信环境所要求的水平。数据的 temporal 动态在不显式划分或概率建模的情况下被总结。作为原理验证，我们将该技术应用于从Free Spoken Digit Dataset计算出的高维小波系数，以生成可解释的内存高效表示。由于其无监督和非参数性质，尽管缺乏标签和有限数据，LESS表示在数字分类任务中仍表现良好。
引用
@article{arxiv.1910.04689,
title = {Graph Spectral Embedding for Parsimonious Transmission of Multivariate Time Series},
author = {Lihan Yao and Paul Bendich},
journal= {arXiv preprint arXiv:1910.04689},
year = {2019}
}