重新审视动态时间规整下时间序列平均的不准确性
机器学习
2018-09-11 v1 人工智能
机器学习
摘要
本文重新审视了 \cite{Niennattrakul2007} 所进行的关于动态时间规整下时间序列平均不准确性的分析。该作者给出了一个正确性准则并引入了平均值从簇中漂移出的现象。他们声称，若平均不正确或发生漂移出，则平均是不准确的。此外，他们猜想此类不准确性由缺乏三角不等式所致。我们表明，该正确性准则的修正版本是不可满足的，且漂移出的概念在几何上与操作上均不具结论性。满足三角不等式不足以达成正确性，且对于克服漂移出现象也是不必要的。我们将漂移出的概念置于有原则的基础之上，并表明作为Fr\'echet函数全局极小值的样本均值永远不会漂移出。调整后的漂移出是一种检验近似在多大程度上连贯的方法。实证结果表明，最先进方法SSG与DBA所得解在超过三分之一的试验中是样本均值的非连贯近似。
引用
@article{arxiv.1809.03371,
title = {Revisiting Inaccuracies of Time Series Averaging under Dynamic Time Warping},
author = {Brijnesh Jain},
journal= {arXiv preprint arXiv:1809.03371},
year = {2018}
}