用于多变量时间序列聚类的 Copula 间最优传输与 Fisher-Rao 距离比较
机器学习
2016-11-15 v2
摘要
我们提出一种对由多变量时间序列（即若干实值随机变量序列）描述的 N 个对象进行聚类的方法。该聚类方法利用 copula（即编码多个随机变量间依赖结构的分布）。为了在聚类时充分考虑依赖信息，我们需要 copula 之间的距离。本文中，我们比较了著名的分布间距离：Fisher-Rao 测地距离、相关散度以及最优传输，并讨论其优缺点。该方法的应用可见于金融资产聚类。教程、实验及可复现研究的实现见 www.datagrapple.com/Tech。
引用
@article{arxiv.1604.08634,
title = {Optimal Transport vs. Fisher-Rao distance between Copulas for Clustering Multivariate Time Series},
author = {Gautier Marti and Sébastien Andler and Frank Nielsen and Philippe Donnat},
journal= {arXiv preprint arXiv:1604.08634},
year = {2016}
}
备注
Accepted at IEEE Workshop on Statistical Signal Processing (SSP 2016)