Salient Subsequence Learning for Time Series Clustering论文笔记

最新推荐文章于 2024-05-07 22:49:42 发布
最新推荐文章于 2024-05-07 22:49:42 发布
阅读量2.1k 收藏 10
点赞数 1
分类专栏： 时间序列分析 文章标签： 时间序列聚类 shapelet
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/SCS199411/article/details/90759528
版权

Salient Subsequence Learning for Time Series Clustering

Qin Zhang, Jia Wu, Member, IEEE, Peng Zhang, Guodong Long, Chengqi Zhang, Senior Member, IEEE
TPAMI 2018

什么是shapelet？

shapelet是时间序列的子序列，具有判别性，其在某种意义上最大程度地代表类。

从树叶分类说起，自然是根据树叶的形状分类
在这里插入图片描述
将每个树叶用一个一维的时间序列来表示
在这里插入图片描述
根据shapelets分类
在这里插入图片描述

shapelets的优点
  • 可解释性好
  • 结果更精确，因为考虑的是局部特征，而非全局特征(很容易收到噪声和扭曲的影响)
  • 速度更快，时间复杂度为O(mn)(m为时间序列长度，n为shapelet长度)

主要贡献

  • USSL 无监督的shapelet学习，用于时间序列聚类，结合了pseudo-class labels, spectral analysis, regularized least-squares techniques and shapelet regularization
  • 在UCR Time Series数据集上进行了验证，是state-of-the-art

目前方法存在的问题

  • 最初通过扫描整个时间序列来获取shapelets的候选模板，时间复杂度很高

    Synthetic Control dataset 包含600个时间序列， 长度为60，候选模板有1.098 × 10^6个

  • 最近Grabocka等人提出一种基于回归学习的方法，寻找shapelets，大大减少了时间复杂度，但是需要标记

USSL框架

在这里插入图片描述

无监督的shapelet学习

  • Shapelet-transformed Representation

  • Pseudo-class Labels

  • Spectral Analysis

  • Least-squares Minimization

  • Shapelet Similarity Minimization

  • Unsupervised Salient Subsequence Learning
    在这里插入图片描述

    第一部分是谱正则化项，以保持时间序列之间的局部结构。第二部分通过最小化shapelets之间的相似性来使其多样化。第三部分则为学习最佳伪类标签和伪分类器的最小二乘正则化。

  • coordinate descent algorithm 坐标下降法

    当要优化的函数含有多个自变量时，每次只更新一个自变量，固定其他自变量

实验

数据集：UCR Time Series 中的36个时间序列
评价指标
  • Rand Index
    在这里插入图片描述
  • NMI(Normalized Mutual Information)
    在这里插入图片描述
实验结果

  • 等长的时间序列聚类
    在这里插入图片描述在这里插入图片描述

  • 不等长的时间序列聚类

在这里插入图片描述

SCS199411
关注
  • 1
    点赞
  • 踩
  • 10
    收藏
    觉得还不错? 一键收藏
  • 8
    评论
专栏目录
Time-series clustering – A decade review.pdf
07-12
这是一篇在2015年发表的论文，英文题目为Time-series clustering – A decade review。这篇文章作者着重介绍了时序聚类的组成部分，同时也列举出组成部分的各大著名方法
论文笔记 -- Learning Representations for Time Series Clustering
qq_43923588的博客
08-13 2325
文章目录Learning Representations for Time Series ClusteringMotivationContributionModelDTCR工作DTCR流程输入输出变量定义算法流程Equipment数据集介绍Baseline方法对比试验消融实验各项损失的贡献学习表示的过程鲁棒性分析超参数分析主要方法参考文献 Learning Representations for Time Series Clustering 原文：Learning Representations for T
Learning Time Series with R
岁月催猪老
03-11 1242
by Joseph Rickert 原文地址 Late last Saturday afternoon I was reading in my usual spot at the Dana Street Coffee House in Mt. View. A stranger walking by my table noticed my copy of Madsen’s Time Seri
DTCR(Learning Representations for Time Series Clustering)论文理解
weixin_43897803的博客
07-16 1585
DTCR模型结构： 一.模型思路来源： 重构损失能够包含以前时间序列的相关特性，但学到的特征对分类任务并不一定适用。为使学到的特征形成类结构，从而获得特定于类的表示，所以模型中引入了k-means。另外，在序列到序列的模型中，encoder的能力越好，学到的潜在特征越好。因此为了提升encoder的能力，在模型中加入了假样本生成和辅助分类机制 二.损失函数解析 1.重构损失 Lreconstruction=1n∑i=1n∣∣xi−xi^∣∣22 L_{reconstruction}=\frac{1}{n}
Feature-driven Time Series Clustering（EDBT）
小蚂蚁与大象
06-05 213
Feature-driven Time Series Clustering（EDBT） 时间序列聚类问题在现实生活中有很多应用，特别是在数据科学和数据分析管道中。现有的时间序列聚类算法对于特征丰富的现实世界时间序列是无效的，因为它们只是基于原始数据计算时间序列的相似度，或者使用一个固定的特征集。在本文中，我们提出了一个基于特征的半监督聚类框架来解决上述问题的变长和异质时间序列。具体来说，我们依赖于时间序列的图编码，它是通过考虑大量重要的特征提取而获得的。然后，我们使用社区检测和利用共现矩阵，以便将所有最好
Learning salient visual word for scalable mobile image retrieval
02-09
Owing to the portable and excellent phone camera, people now prefer to-take photos and share them in social networks with their friends. If a user wants to obtain relevant information about an image, ...
论文笔记：Progressive Attention Guided Recurrent Network for Salient Object Detection-附件资源
03-05
论文笔记：Progressive Attention Guided Recurrent Network for Salient Object Detection-附件资源
Robust salient object detection for RGB images
02-08
Robust salient object detection for RGB images
Extracting salient region for pornographic image detection
02-11
具体来说，该算法利用了视觉词典的概念，通过对ROI中的关键特征进行聚类来生成一个代码本。每个视觉词汇都代表了图像中的特定模式，这对于识别和分类色情图像至关重要。 #### 4. 特征融合：SURF与色彩矩 为了兼顾...
Learning Time-Series Shapelets
小蚂蚁与大象
06-08 717
Shapelets是时间序列中最能预测目标变量的判别子序列。由于这个原因，shapelet的发现最近在时间序列研究界引起了相当大的兴趣。目前，通过评估从一系列片段中提取的众多候选片段的质量来发现shapelets。与最新的研究成果相比，本文提出了一种新的学习方法。提出了一种新的基于分类目标函数的任务数学形式化方法，并采用了量身定制的随机梯度学习算法。该方法能够直接学习接近最优的shapelets，而不需要尝试大量的候选样本。此外，我们的方法可以通过捕获它们的交互来学习真正的top-K shapelets。大
RSFCF:嵌入规范时间序列特征的随机Shapelet Forest算法，用于准确和有效的时间序列分类
03-30
RSFCF 嵌入规范时间序列特征的随机Shapelet Forest算法，用于准确和有效的时间序列分类 将文件“ RSFCF.java”放入由Bagnall等人开发的“ tsml”项目的“ tsml.classifiers.shapelet_based”包中。 运行RSFCF算法。 链接到“ tsml”项目： :
论文阅读-Time-series clustering – A decade review
qq_25368751的博客
11-02 996
时间序列数据综述文章，主要介绍聚类操作的算法以及评价方法等。
Pyts入门之时间序列的分类---理解LearningShapelets算法（四）
轻舟已过万重山的博客
03-10 4783
简介 本章节直接跳过了BOSSVS算法，因为BOSSVS和SAX-VSM的区别也就只在于前面数据预处理的方式了，SAX-VSM用的是分箱的字词转换，而BOSSVS用的是Symbolic Fourier Approximation（详见第一节，本文不再赘述）也就是使用傅里叶变换的提取特征方法，所以与其介绍一遍差不多的，不如留给读者自行探索。 那么本节我将给各位介绍pyts中的LearningShapelets算法，来自于14年的“Learning Time-Series Shapelets”这篇文章，本算法过
时间序列形状特征综述
qq_44783372的博客
07-14 1334
shapelet发现、生成、转换
机器学习：Shapelet（学习笔记）
最新发布
OHHHHH890的博客
05-07 1963
本文主要基于Time Series Shapelets: A New Primitive for Data Mining对该论文的理解，所以该文中有关shapelet的信息都是有关原始shapelet的理解。
Searching and Mining Trillions of Time Series Subsequences under Dynamic Time Warping 总结
cfdoge的博客
07-05 1680
前言: 本篇总结是对Thanawin Rakthanmanon, Bilson Campana, Abdullah Mueen, Gustavo Batista, Brandon Westover, Qiang Zhu, Jesin Zakaria, Eamonn Keogh 等人在2012年发表在ACM的论文 Searching and Mining Trillions of Time Seri...
时间系列预测评估
tanzhangwen的专栏
06-16 681
时间系列预测（time series prediction）问题简单来说，就是给定基于时间系列的历史数据，我们去预测未来时间系列的值。这个一个很典型的问题，并且在很多的应用中都会使用到。比如我们生产销售一种产品，我们知道过去一段时间每天的实际销量，然后我们想预测未来一个月一个季度一年的销售量从而为生产或者备货做指导。这个链接有更详细地介绍这个问题以及预测的方法。那么在这么多种预测方法中，哪种更我们我们的场景呢？我们需要一种方式来评估预测的好坏。Darts工具中也提供了很多评估的函数。这里我们介绍一些常用的评
干货 ：时间序列特征工程
数据分析
12-16 7151
前几次的分享，我们了解了时间序列分析的基础方法以及预测方法。在使用这些方法之前，一般需要我们对原始时序做一定的处理，抽取若干特征；再者，为了更充分了解时间序列，我们也需要挖掘时间序列的特...
Efficient Shapelet Discovery for Time Series Classification（TKDE）
小蚂蚁与大象
06-24 402
时间序列shapelets是一种鉴别子序列，近年来被发现用于时间序列分类(TSC)。很明显，shapelets的质量对TSC的准确性至关重要。然而，主要的研究集中在从一些候选shapelet中建立精确的模型。为了确定这些候选者，现有的研究出奇地简单，例如，枚举某些固定长度的子序列，或随机选择一些子序列作为shapelet候选者。然后，主要的计算工作就是从候选对象构建模型。在本文中，我们提出了一种新的高效的shapelet发现方法，称为BSPCOVER，以发现一组高质量的候选shapelet用于模型构建。具体
cagnet: content-aware guidance for salient object detection
09-21
Cagnet（Content-Aware Guidance for Salient Object Detection）是一种针对显著对象检测的算法。该算法的目标是在图像中自动检测出最具显著性的对象区域。 Cagnet算法的核心思想是结合了内容感知的引导和视觉特征的学习。它首先对图像进行分割，将图像分为许多小块。然后，通过一个深度卷积神经网络模型，学习提取每个小块的特征表示。 在学习特征表示的过程中，Cagnet算法引入了内容感知的引导。它使用了自底向上的方式，从图像的低级特征逐渐向高级特征进行传递。这样做的目的是使模型能够更好地理解图像中的语义信息。同时，它还引入了空间注意力机制，以关注与显著对象相关的区域。 在学习完特征表示后，Cagnet算法将进行显著性预测。它通过一个奖励机制，鼓励模型更好地预测显著对象的位置。这个奖励机制是基于显著性地图的误差度量，即模型的预测结果与真实显著图之间的差距。通过最小化这个差距，Cagnet算法能够得到更准确的显著性预测结果。 总体来说，Cagnet算法通过内容感知的引导和视觉特征的学习，实现了高效准确的显著对象检测。它在各种图像数据集上都取得了很好的性能，对于计算机视觉领域的显著对象检测任务具有很高的实用价值。
评论 8
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值