用于含缺失数据短时序列分类的多元函数线性判别分析
机器学习
2026-04-23 v1 统计理论
统计理论
摘要
函数线性判别分析（FLDA）是一种强大的工具，它将 LDA 介导的多类分类和降维扩展到了单变量时间序列函数。然而，在大数据量、多变量且数据不完整的时代，必须以计算可行的方式估计特征之间的统计依赖性，同时处理缺失数据。迫切需要一种计算可行的方法，既能考虑特征间的统计依赖性，又能处理缺失值。我们在此开发了 FLDA 的多元版本（MUDRA）以解决这一问题，并描述了一种高效的期望/条件最大化（ECM）算法来推断其参数。我们在“关节词识别”（Articulary Word Recognition）数据集上评估了其预测能力，并展示了其优于最先进方法的表现，特别是在存在缺失数据的情况下。MUDRA 允许对含有大量缺失数据的数据集进行可解释的分类，这对于医学或心理学数据集将特别有用。
引用
@article{arxiv.2402.13103,
title = {Multivariate Functional Linear Discriminant Analysis for the Classification of Short Time Series with Missing Data},
author = {Rahul Bordoloi and Clémence Réda and Orell Trautmann and Saptarshi Bej and Olaf Wolkenhauer},
journal= {arXiv preprint arXiv:2402.13103},
year = {2026}
}