用于未见多变量时间序列重建与聚类的多核字典学习
机器学习
2019-03-14 v3 机器学习
摘要
已有许多方法用于数据集中未见类别的描述与识别。然而，当我们处理多变量时间序列（MTS）（例如运动数据）时，由于无法直接对输入应用向量化算法，这成为一个具有挑战性的问题。在本工作中，我们提出一种新颖的多核字典学习（MKD），它基于MTS维度在特征空间中的特定组合来学习语义属性。因此，MKD能够基于训练数据（已见类别）对未见类别进行完全/部分重建。此外，我们基于所学的MKD属性获得未见类别的稀疏编码，并据此提出一种简单而有效的增量聚类算法，以无监督方式对未见MTS类别进行分类。根据我们的MKD框架在真实基准上的实证评估，它提供了未见MTS数据的可解释重建，以及关于其在线聚类的高性能。
引用
@article{arxiv.1903.01867,
title = {Multiple-Kernel Dictionary Learning for Reconstruction and Clustering of Unseen Multivariate Time-series},
author = {Babak Hosseini and Barbara Hammer},
journal= {arXiv preprint arXiv:1903.01867},
year = {2019}
}
备注
6 pages, ESANN 2019 conference