面向时间序列分类的半无监督学习
机器学习
2022-07-14 v3
摘要
时间序列无处不在，因此本质上难以分析，并最终难以标注或聚类。随着物联网（IoT）及其智能设备的兴起，数据在任何时刻都被大量收集。所收集的数据信息丰富，因为可以实时检测事故（如汽车），或在给定时间跨度内评估损伤/疾病（如健康设备）。由于其混沌特性和海量数据点，时间序列难以手动标注。此外，数据中可能出现新类别（与手写数字等不同），这将需要重新标注数据。在本文中，我们提出SuSL4TS，一种用于半无监督学习的深度生成高斯混合模型，以对时间序列数据进行分类。通过我们的方法，我们可以减少手动标注步骤，因为我们可以检测稀疏标注的类别（半监督）并识别隐藏在数据中的新兴类别（无监督）。我们在来自不同领域的已建立时间序列分类数据集上展示了我们方法的有效性。
引用
@article{arxiv.2207.03119,
title = {Semi-unsupervised Learning for Time Series Classification},
author = {Padraig Davidson and Michael Steininger and André Huhn and Anna Krause and Andreas Hotho},
journal= {arXiv preprint arXiv:2207.03119},
year = {2022}
}