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。大量的实验表明,在28个时间序列数据集的13个基线上,在获胜和排名方面有统计学上的显著改善
Distances Between Shapelets and Series
Shapelet Transformation
A Novel Principle
Objective Function
1)Learning Model
2)Loss Function
3)Regularized Objective Function
近似:
Gradients for Shapelets
式8定义了shapelet k中l点对第i个时间序列目标的梯度,并通过链式求导法推导
Gradients for Classification Weights
Learning Algorithm