基于狄利克雷过程混合模型的序列对齐
机器学习
2018-11-28 v1 机器学习
摘要
我们提出了一种基于狄利克雷过程混合模型（DPMM）的高维时间扭曲序列无监督对齐的概率模型。我们遵循（Kazlauskaite, 2018）中引入的方法，将每个数据序列同时表示为一个真实底层函数和一个时间扭曲的组合，二者均使用高斯过程（GPs）（Rasmussen, 2005）建模，并使用无监督对齐方法对底层函数进行对齐。在（Kazlauskaite, 2018）中，对齐是使用 GP 潜变量模型（GP-LVM）（Lawrence, 2005）作为序列模型来完成的，而我们的主要贡献是将该方法扩展为使用 DPMM，这使得我们能够在时间上对齐序列的同时对它们进行聚类。我们表明，在合成和真实世界数据集上，DPMM 相较于 GP-LVM 取得了具有竞争力的结果，并讨论了这些模型所估计的底层函数和时间扭曲的不同性质。
引用
@article{arxiv.1811.10689,
title = {Sequence Alignment with Dirichlet Process Mixtures},
author = {Ieva Kazlauskaite and Ivan Ustyuzhaninov and Carl Henrik Ek and Neill D. F. Campbell},
journal= {arXiv preprint arXiv:1811.10689},
year = {2018}
}
备注
6 pages, 3 figures, "All Of Bayesian Nonparametrics" Workshop at the 32nd Annual Conference on Neural Information Processing Systems (BNP@NeurIPS2018)