Apr, 2017

基于时间序列聚类核的多元时间序列缺失数据学习相似性

PDF
TL;DR该论文提出了一种称为强健时间序列簇核的方法，使用了高斯混合模型和信息先验分布来处理缺失数据，并采用集成学习方法来确保对参数的鲁棒性。实验结果表明，该方法对于参数的选择鲁棒，在处理缺失数据的情况下表现出色。
发现论文，激发创造
  • 利用 EHR 中信息缺失的核在多变量时间序列中进行挖掘

    本研究提出了一种新的核方法，名为 TCK$_{IM}$，通过集成学习策略和新型混合贝叶斯混合模型，能够有效利用电子健康记录中的多变量时间序列的缺失数据，避免了插值方法的使用，具有无标签学习的鲁棒性。通过在三个真实世界的临床数据集上进行实验，证明了所提出核方法的有效性。

    Feb, 2020

  • 事件触发时间序列的任务感知相似度学习

    该研究旨在开发一种无监督学习框架，能够在未标记的事件触发时间序列中学习任务感知的相似性，该框架利用多尺度自编码器和高斯混合模型有效地学习时间序列的低维表示，得到的相似度量易于解释，通过广泛的实验表明，该方法明显优于现有的方法。

    Jul, 2022

  • 随机卷积核的时间序列聚类

    该论文介绍了一种基于随机卷积结构的时间序列聚类方法，通过自动化特征提取技术和聚类算法对时间序列进行分类，从而在时间序列聚类基准测试中取得了优异结果。

    May, 2023

  • 相似性和聚类的双生学习：统一的核方法

    为解决相似性测量困难及非线性相似性未被充分考虑等问题，在核空间中提出一种模型，同时学习聚类指示器矩阵和相似度信息，并通过多核学习能力进一步扩展模型以选择最合适的内核。该模型可自动完成三个子任务以获得最佳聚类解决方案。

    May, 2017

  • 基于动态高斯混合的深度生成模型，用于稀疏多元时间序列的鲁棒预测

    提出了一种基于生成模型的方法，使用动态高斯混合分布跟踪潜在群集的过渡，实现了时间序列的强大建模，具有参数化的神经网络和结构化推理网络，并引入了一个门控机制来动态调整高斯混合分布。

    Mar, 2021

  • 基于集体核学习的多不完整数据集聚类

    本文提出了一种名为 “Collective Kernel Learning” 的方法，利用多个不完整数据集的共享实例来推断潜在的样本相似性，进而解决数据集不完整的问题，通过基于该核矩阵的聚类算法，实验结果表明该方法比其他比较算法在规范化相互信息方面性能提高了两倍。

    Oct, 2013

  • 一种基于自监督学习的方法用于聚类多变量时间序列数据中的缺失值 (SLAC-Time): 一种用于创伤性脑损伤表型化的应用

    提供了一种名为 SLAC-Time 的自监督学习基于 Transformer 聚类多元时间序列数据的方法，该方法通过利用时间序列预测作为代理任务来学习更健壮的时间序列表示，并使用 K-means 进行聚类，实验表明，该方法在聚类 TBI 患者中表现优异，可以用于开发有针对性的临床试验和治疗策略。

    Feb, 2023

  • 可扩展核聚类：近似核 k-means

    本文提出了一种基于随机化的近似核 K-means 簇算法，其利用采样点与数据集中所有点之间的核相似性来近似聚类中心，实现了与传统低秩核近似聚类方案相比更好的聚类性能、更短的运行时间和更小的内存需求，最后利用集成聚类技术进一步提高算法性能。

    Feb, 2014

  • 连接医疗设备的多变量时间序列聚类模型的比较研究

    在医疗保健领域，通过收集多变量时间序列的患者数据，可以全面了解患者的健康状况。在缺少标签的情况下，可以利用预测模型预测未来值，并且形成潜在的聚类空间。我们比较了两种模型（M AGMAC LUST 和 DGM2），通过使用 Withing 的数据集进行评估，前者聚类整个时间序列，而后者允许个体的群组归属随时间改变（即动态聚类）。

    Dec, 2023

  • 基于 Toeplitz 反协方差的多元时间序列数据聚类

    本研究提出了一种基于 Toeplitz Inverse Covariance 的模型聚类方法，称为 TICC，通过马尔科夫随机场描述聚类中子序列中不同观测之间的相互依赖性，从而在同时分割和聚类时间序列数据的过程中实现了可扩展性且解释性更强的结果。

    Jun, 2017