基于时间弹性核概率视角的时间序列平均与去噪
机器学习
2019-07-12 v4 信息检索
摘要
在正则化动态时间规整核的视角下，本文重新考虑了时间序列集合的时间弹性质心概念。我们基于核对齐矩阵的概率解释推导出了一种新算法。该算法将平均过程表示为随机对齐自动机。它使用迭代的凝聚启发式方法对对齐的样本进行平均，同时对对齐样本的发生时间进行平均。通过比较由最近质心/中心点分类器在 45 个异构时间序列数据集上获得的分类准确率，我们表明：i) 基于质心的方法显著优于基于中心点的方法；ii) 对于所考虑的数据集，我们这种结合了样本空间和时间轴平均的算法，成为了时间弹性平均中最具显著鲁棒性的模型，并具有良好去噪能力。我们还在孤立手势识别实验中展示了其优势，及其显著减少训练实例集规模的能力。最后，我们使用演示性合成数据突出了其去噪能力：我们表明，可以从少数含噪实例中恢复出其分量散布在宽频带中的信号。
引用
@article{arxiv.1611.09194,
title = {Times series averaging and denoising from a probabilistic perspective on time-elastic kernels},
author = {Pierre-François Marteau},
journal= {arXiv preprint arXiv:1611.09194},
year = {2019}
}
备注
arXiv admin note: text overlap with arXiv:1505.06897. International Journal of Applied Mathematics and Computer Science, June 2019