SE-shapelets：使用代表性 Shapelets 的时间序列半监督聚类
机器学习
2023-11-16 v2
摘要
Shapelets 通过使用局部特征（子序列）来区分时间序列，在时间序列聚类中极具前景。现有的时间序列聚类方法可能无法捕获具有代表性的 shapelets，因为它们是从大量无信息子序列的池中发现 shapelets，从而导致聚类准确率较低。本文提出了一种使用代表性 Shapelets 的时间序列半监督聚类（SE-Shapelets）方法，该方法利用少量带标签和传播的伪标签时间序列来帮助发现代表性 shapelets，从而提高聚类准确率。在 SE-Shapelets 中，我们提出了两种技术来发现代表性 shapelets，以实现有效的时间序列聚类。1）一条显著子序列链（），可以提取带标签/伪标签时间序列的显著子序列（作为候选 shapelets），这有助于从池中移除大量无信息的子序列。2）一种线性判别选择（）算法，用于识别能够捕获不同类别时间序列代表性局部特征的 shapelets，以便于聚类。在 UCR 时间序列数据集上的实验表明，SE-shapelets 发现了代表性 shapelets，并取得了比同类半监督时间序列聚类方法更高的聚类准确率。
引用
@article{arxiv.2304.03292,
title = {SE-shapelets: Semi-supervised Clustering of Time Series Using Representative Shapelets},
author = {Borui Cai and Guangyan Huang and Shuiqiao Yang and Yong Xiang and Chi-Hung Chi},
journal= {arXiv preprint arXiv:2304.03292},
year = {2023}
}