基于 t-SNE 的无监督形状层学习：词袋感知
机器学习
2025-02-07 v1 机器人学
摘要
本文介绍了NN-STNE（Neural network using t-distributed stochastic neighbor embedding as a hidden layer to reduce input dimensions by mapping long time-series data into shapelet membership probabilities），一种利用 t 分布随机邻居嵌入（t-SNE）作为隐藏层将长时间序列数据映射为形状层成员概率，从而降低输入维度的神经网络。基于高斯核的均方误差保留局部数据结构，而 K 均值初始化形状层候选，因为存在非凸优化挑战。与现有方法不同，我们的方法使用 t-SNE 解决低维空间中的拥挤问题，并应用 L1 范数正则化来优化形状层长度。在UCR数据集和一个电气组件操纵任务（如开关）上的评估表明，我们的方法在机器人学中优于当前最先进的特征学习方法，实现了更好的聚类准确性。
引用
@article{arxiv.2502.04167,
title = {Making Sense of Touch: Unsupervised Shapelet Learning in Bag-of-words Sense},
author = {Zhicong Xian and Tabish Chaudhary and Jürgen Bock},
journal= {arXiv preprint arXiv:2502.04167},
year = {2025}
}