通过自动特征学习进行时间序列分割
机器学习
2018-01-29 v2 人工智能
机器学习
摘要
物联网（IoT）应用近年来日益普及，其应用范围从建筑能耗监测到个人健康追踪与活动识别。为利用这些数据，必须大规模地进行自动知识提取——即将观测映射为可解释的状态与转移。因此，我们见到许多近期物联网数据集包含人类专家指定的状态标注，记录为数据序列中的一组边界与关联标签。这些数据可用于构建如专家般产生标签的自动标注算法。此处，我们将人类指定的边界称为断点。传统的变点检测方法仅寻找统计可检测的边界，即定义为数据序列生成参数中的突变。然而，我们观察到断点出现在更细微的边界上，用这些统计方法难以检测。本工作中，我们提出一种基于深度学习的新型无监督方法，其优于现有技术，并能以高准确率学习更细微的断点边界。通过在多个真实数据集（包括人类活动感知数据、语音信号与脑电图（EEG）活动轨迹）上的大量实验，我们证明了算法在实际应用中的有效性。此外，我们表明该方法显著优于以往方法。
引用
@article{arxiv.1801.05394,
title = {Time Series Segmentation through Automatic Feature Learning},
author = {Wei-Han Lee and Jorge Ortiz and Bongjun Ko and Ruby Lee},
journal= {arXiv preprint arXiv:1801.05394},
year = {2018}
}