基于传感器数据的行为模式主题建模
机器学习
2016-12-08 v1
摘要
运动生态学领域，如同许多其他领域，正经历数据可用性快速增长的时期。随着数据量上升，传统方法正让位于机器学习和数据科学，它们在将此类数据转化为驱动科学的洞察中扮演越来越大的角色。一个丰富而有趣的来源是生物记录器（bio-logger）。这些小型电子可穿戴设备附着在自由漫游于自然栖息地的动物身上，并传回来自多个传感器的读数，包括GPS和加速度计突发（accelerometer bursts）。加速度计数据的一个常见用途是行为模式的监督学习。然而，我们也需要无监督分析工具，以克服获取标记数据集的固有困难，这在某些情况下要么不可行，要么不能成功涵盖感兴趣行为模式的全部剧目。在此我们提出一种基于矩阵分解的主题模型方法用于加速度计突发数据，其利用块特征的线性混合属性推导得出。我们的方法通过与标记数据集比较得到验证，并进一步与标准聚类算法进行比较。
引用
@article{arxiv.1511.05082,
title = {Topic Modeling of Behavioral Modes Using Sensor Data},
author = {Yehezkel S. Resheff and Shay Rotics and Ran Nathan and Daphna Weinshall},
journal= {arXiv preprint arXiv:1511.05082},
year = {2016}
}
备注
Invited Extended version of a paper \cite{resheffmatrix} presented at the international conference \textit{Data Science and Advanced Analytics}, Paris, France, 19-21 OCtober 2015