多维曲线联合聚类与时间规整的概率模型
应用统计
2012-12-12 v1
摘要
本文提出了一族算法，能够同时对离散时间网格上测量的多维曲线集进行对齐和聚类。我们的方法基于生成混合模型，允许观测曲线相对于簇内平均曲线进行非线性时间规整。我们还允许时间轴进行任意离散值平移、测量曲线进行随机实数值偏移以及添加测量噪声。所得模型可视为具有特殊转移结构的动态贝叶斯网络 (DBN)，从而实现有效的推断和学习。期望最大化 (EM) 算法可用于同时恢复每个簇的曲线模型，以及每条曲线最可能的时间规整、平移、偏移和簇成员资格。我们展示了贝叶斯估计方法如何通过强制簇平均曲线的平滑性来改善小样本量的结果。我们在两个真实世界数据集上评估了该方法，结果表明 DBN 模型在预测能力上相比竞争方法提供了系统性的改进。
引用
@article{arxiv.1212.2467,
title = {Probabilistic models for joint clustering and time-warping of multidimensional curves},
author = {Darya Chudova and Scott Gaffney and Padhraic Smyth},
journal= {arXiv preprint arXiv:1212.2467},
year = {2012}
}
备注
Appears in Proceedings of the Nineteenth Conference on Uncertainty in Artificial Intelligence (UAI2003)