隐马尔可夫非线性 ICA：从非平稳时间序列中的无监督学习
机器学习
2020-06-23 v1 机器学习
摘要
非线性独立成分分析（ICA）的最新进展为无监督特征学习和解耦提供了原则性框架。此类工作的核心思想是，假设潜在分量在给定某些观测辅助变量（如时间段索引）的条件下是独立的。这需要将数据手动分割为非平稳段，这在计算上昂贵、不准确且通常不可能。因此，这些模型并非完全无监督的。我们通过将非线性 ICA 与隐马尔可夫模型相结合来弥补这些局限性，得到的模型中潜在状态代替了观测的段索引。我们证明了所提模型对于一般混合非线性（如神经网络）的可辨识性。我们还展示了如何使用期望最大化算法进行模型的最大似然估计。因此，我们实现了一个新的非线性 ICA 框架，该框架是无监督的、更高效的，并且能够对潜在的时序动态进行建模。
引用
@article{arxiv.2006.12107,
title = {Hidden Markov Nonlinear ICA: Unsupervised Learning from Nonstationary Time Series},
author = {Hermanni Hälvä and Aapo Hyvärinen},
journal= {arXiv preprint arXiv:2006.12107},
year = {2020}
}
备注
Accepted for publication at UAI 2020