利用深度玻尔兹曼机建模活动追踪器数据
机器学习
2018-03-01 v1 机器学习
摘要
由于普通人群中的可用性不断增加，商用活动追踪器将成为健康研究中的重要工具。相应的大量大多未标记数据对统计建模方法提出了挑战。为调查深度学习方法对此类数据进行无监督学习的可行性，我们使用深度玻尔兹曼机 (DBM) 考察了 Fitbit 活动追踪器的每周使用模式。该方法特别适合通过潜变量建模复杂的联合分布。我们选择这一特定过程还因为它是生成式方法，即可以生成人工样本以探索学习到的结构。我们描述了如何对数据进行预处理以兼容二值 DBM。结果揭示了两种不同的使用模式：一组在周一和周二频繁使用追踪器，而另一组在整个星期都使用追踪器。这一示例结果表明 DBM 是可行的，并且可用于建模活动追踪器数据。
引用
@article{arxiv.1802.10576,
title = {Modeling Activity Tracker Data Using Deep Boltzmann Machines},
author = {Martin Treppner and Stefan Lenz and Harald Binder and Daniela Zöller},
journal= {arXiv preprint arXiv:1802.10576},
year = {2018}
}