MMJun, 2020

从数据集中提取主要趋势：Sequencer 算法

PDF
TL;DR提出了一种名为 “Sequencer” 的算法，其通过构建描述观测对之间相似性的图表，使用一组度量标准和比例计算相似性，以确定数据中的主要趋势，进而用于优化任何降维技术的参数。该算法不依赖于训练或任何参数的调整，可用于探索性数据分析，具有潜在的在各种科学领域中发现信息的优点。
sequenceralgorithmtrenddimensionality reductionexploratory data analysis
发现论文，激发创造
  • 长短参半：用序列事件摘要串行情节

    本文介绍了一种针对序列数据的模式集挖掘方法，使用 MDL 原则编码序列数据，通过权重编码序列中的序列事件集以确定模式质量，通过两种算法进行模式挖掘，证明能够有效发现具有信息量的小模式集。

    Feb, 2019

  • 数据可视化中 t-SNE 算法的分析

    通过建立数据可视化形式的二维嵌入来正确地分离数据簇，使用 t-SNE 启发式的数据可视化方法在广泛的应用场景中成为事实上的标准，该研究提供了一种正式框架和分析，以分析数据可视化问题下 t-SNE 的性能表现，并且在满足特定条件时能部分恢复聚类结构。

    Mar, 2018

  • 利用方向感知的 t-SNE 可视化高维时序数据

    我们提出了两个互补的、方向感知的损失项，用于优化 t-SNE 的目标函数，强调数据的时间属性，指导优化和生成的嵌入结果，以显示出可能被忽略的时间模式。通过促进定向边的局部方向性，我们的方法产生了更具有时间意义且不那么混乱的可视化结果。

    Mar, 2024

  • 视频轨迹分析的在线序列聚类算法

    本文提出了一种轻量级实时视频分析方案，利用从运动模式中学习到的模型来监视对象的行为，以实现实时表示和预测，并基于离散序列的序列聚类算法使系统具有连续的在线学习能力，并利用目标对象轨迹的内在可重复性在特征提取、聚类学习和模型应用的三个过程中自动构建行为模型。

    May, 2023

  • S+t-SNE - 将降维应用于数据流

    我们介绍了一种名为 S+t-SNE 的 t-SNE 算法的改进版本，它专门用于处理无限数据流，通过在新数据到达时增量更新 t-SNE 嵌入，保证了可扩展性和适应流式场景的能力，使用盲目方法进行漂移管理，调整嵌入空间，实现对不断演变的数据动态的持续可视化，实验评估结果表明 S+t-SNE 的效果和效率，突出其在流式场景中捕捉模式的能力，我们希望该方法能为研究人员和实践者提供一种实时理解和解释高维数据的工具。

    Mar, 2024

  • 基于自编码器的迭代建模与多元时间序列子序列聚类算法

    本文介绍了一种用于检测变点和识别瞬态多变量时间序列数据中相应子序列的算法，该算法使用基于递归神经网络 (RNN) 的自编码器 (AE)，通过重构误差和潜在空间信息来建立子序列模型，提出一种基于曲率的相似性度量进行更直观的时间序列子序列聚类，通过与其他七种算法的对比实验表明，我们的算法可以更好地在线及离线聚类多变量时间序列数据。

    Sep, 2022

  • 时间到模式：面向可扩展时间序列概括的信息论非监督学习

    时间序列汇总是从数据集中生成可解释和有代表性子集的过程。我们引入了一种名为 Time-to-Pattern (T2P) 的时间序列汇总方法，通过学习离散时间序列的信息嵌入，在解释性的潜在空间中找到一组多样性模式来编码最显著的信息，并在综合实验中展示了 T2P 相较之前的工作在模式多样性和处理可扩展性方面的显著改进。

    Aug, 2023

  • Series2Graph：基于图形的时间序列子序列异常检测

    本研究提出了一种基于无监督学习的方法，“Series2Graph”，用于领域无关的子序列异常检测，无需标记实例或无异常数据，能够识别长度各异的异常，在 VLDB 2020 上发表。

    Jul, 2022

  • 序列器：深度长短期记忆网络用于图像分类

    本研究提出一种名为 Sequencer 的新型卷积神经网络架构，使用 LSTM 来建模长距离依赖关系，不同于改进自然语言处理的自注意力的 ViT，通过多项实验表明其具有很高的性能表现，同时在双重分辨率下具有良好的适应性。

    May, 2022

  • 简洁有效：使用多元模式总结复杂事件序列

    本文研究了如何利用富有多变量的序列模式获得离散多元序列数据的简明描述，并通过最小描述长度原则提出了一种高效的算法 DITTO，能够快速而准确地发现数据的高质量模式，从而提供了一个易于理解的数据总结。

    Dec, 2015