SiBBlInGS：基于跨状态图的相似性驱动构建块推断
机器学习
2024-06-18 v4 机器学习
摘要
跨科学领域的时间序列数据常在不同状态（如任务）下收集，其中潜在过程（如生物因子）造成了复杂的状态间与状态内变异性。捕捉此种复杂性的一种关键方法是在数据中发掘可解释的基本单元，即构建块（Building Blocks, BBs），其在不同观测中调节自身活动并调整结构。现有用于多向数据BBs识别的方法常忽视状态间与状态内的变异性、产生不可解释的组分，或不契合真实数据的特性（如缺失样本与不同时长片段）。本文提出一种基于跨状态图的相似性驱动构建块推断框架（SiBBlInGS）。SiBBlInGS提供了一种基于图的字典学习方法，依据共活动模式与状态间/状态内关系来发现稀疏BBs及其时间轨迹。此外，SiBBlInGS可捕捉每次试验的时间变异性与受控的跨状态结构BB适应，识别状态特异与状态不变组分，并适应各状态下观测片段数量与时长的差异。我们通过多个合成与真实示例（包括网络搜索与神经数据）展示了SiBBlInGS揭示复杂现象洞察的能力及其对噪声与缺失样本的鲁棒性。
引用
@article{arxiv.2306.04817,
title = {SiBBlInGS: Similarity-driven Building-Block Inference using Graphs across States},
author = {Noga Mudrik and Gal Mishne and Adam S. Charles},
journal= {arXiv preprint arXiv:2306.04817},
year = {2024}
}
备注
Accepted to ICML 2024