用于演化子空间聚类的神经常微分方程模型及其应用
机器学习
2021-07-23 v1 人工智能
摘要
神经常微分方程（neural ODE）模型因能处理不规则时间步（即数据非等间隔观测）而在时间序列分析中备受关注。多维时间序列分析中的一项任务是进行演化子空间聚类，旨在依据时序数据演化的低维子空间结构进行聚类。许多现有方法仅能处理规则时间步的时间序列，而诸如缺失数据等许多情形下时间序列为不均匀采样。本文提出一种用于演化子空间聚类的神经 ODE 模型以克服该局限，并引入带子空间自表达约束的新目标函数。我们证明该方法不仅可为演化子空间聚类任务在任何时间步插值数据，还能取得比其他最先进演化子空间聚类方法更高的准确率。合成与真实数据均用于印证所提方法的有效性。
引用
@article{arxiv.2107.10484,
title = {Neural Ordinary Differential Equation Model for Evolutionary Subspace Clustering and Its Applications},
author = {Mingyuan Bai and S. T. Boris Choy and Junping Zhang and Junbin Gao},
journal= {arXiv preprint arXiv:2107.10484},
year = {2021}
}