基于 Beta 过程的多相关时间序列联合建模

我们提出了一种贝叶斯非参数方法，用于解决多个相关时间序列的联合建模问题。该方法基于对一组潜在的、共享的动力学行为的发现。利用 beta 过程先验，集合的大小与共享模式均从数据中推断得出。我们基于 beta 过程预测分布的 Indian buffet process 表示，开发了高效的马尔可夫链蒙特卡洛方法，而无需依赖截断模型。具体而言，我们的方法使用 sum-product 算法来高效计算 Metropolis-Hastings 接受概率，并通过出生与死亡提议来探索新的动力学行为。我们在多个合成数据集上考察了所提出的基于特征模型的优越性，并在视觉动作捕捉数据的无监督分割上展示了极具前景的结果。