Apr, 2023

深度时空聚类：一种针对多维气候数据的时间聚类方法

PDF
TL;DR利用 DSC 算法，结合 CNN-RNN 模型学习数据的空间和时间特征，通过聚类和数据重构误差优化来实现高维时空数据的无监督聚类，并在气候数据上的实验结果表明，该方法的效果要优于现有的无监督聚类算法。
unsupervised clusteringdeep learningspatiotemporal datacnn-rnn layerscluster assignment
发现论文，激发创造
  • 深度连续聚类

    通过深度自编码器实现非线性降维和聚类，优化作为聚类过程的自编码器，避免之前聚类算法中离散目标的缺陷，无需先验知识即可进行聚类，实验证明该算法优于状态的聚类方案并具有普适性。

    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

  • 用于长序列时间序列聚类的具体密集网络

    LoSTer 是一种新型的密集自动编码器架构，用于长序列时间序列聚类问题（LSTC），通过 Gumbel-softmax 重参数化技巧优化 k-means 目标，并专门设计用于准确和快速聚类长时间序列，对众多基准数据集和两个现实世界应用的大量实验证明了 LoSTer 在 RNN 和基于 Transformer 的深度聚类方法上的有效性。

    May, 2024

  • 时间嵌入：基于时空数据的可扩展无监督时序表征学习，用于多模态计算机视觉

    地理空间活动与土地利用类型之间存在相关性。提出一种新颖的自监督方法，基于运动活动时间序列对景观进行分层。时间序列信号首先转换到频域，然后通过压缩自编码器转换为与任务无关的时间嵌入，该方法保留了时间序列中观察到的循环时间模式。通过深度语义分割，将像素级嵌入转换为类似图像的通道，可用于基于任务的异模态建模和下游地理空间任务的建模。实验证明，时间嵌入是时间序列数据的语义有意义的表示方法，并且在不同的任务中如分类住宅区和商业区等有着良好的效果。时间嵌入将时空运动轨迹数据转换为语义有意义的类似图像的张量表示，可以与其他数据模态（如 RBG 图像、道路网络的图嵌入、被动采集的 SAR 图像等）相结合进行多模态学习，从而促进地理空间计算机视觉中的多模态学习。多模态计算机视觉对于训练地理空间特征检测的机器学习模型以保持地理空间映射服务实时更新是至关重要的，可以显著提高用户体验和用户安全。

    Oct, 2023

  • 深度时变图聚类

    提出了基于交互序列的批处理模式的 deep Temporal Graph Clustering (TGC) 框架，通过调整聚类分配和邻接矩阵重建技术来适应时间图的互动动态。实验结果表明，TGC 框架可以有效提高现有临时图学习方法的性能。

    May, 2023

  • 自监督时空数据的时间分析

    通过自我监督学习方法，将地理空间活动时间序列转化成任务无关的时间嵌入表示，然后使用深度语义分割，将这些嵌入转换成用于下游任务的基于图像通道的表示，实现对住宅区和商业区等不同类型用地的分类。

    Apr, 2023

  • 深度学习在时空数据挖掘中的应用综述

    本文综述了将深度学习技术应用于时空数据挖掘，并介绍了应用深度卷积与循环神经网络等模型在处理此类数据时的分类学、任务、应用和展望。

    Jun, 2019

  • 多层图方法用于深度子空间聚类

    深度子空间聚类网络通过线性子空间聚类算法学习表示矩阵，进一步改进了多层图的性能，并在聚类外样本数据点中取得了统计学上显著的改进。

    Jan, 2024

  • 利用空间变异自编码器融合气候数据产品

    该研究提出了一种可识别和可解释的自编码器，利用贝叶斯统计框架对多个气候数据产品进行融合和组合，以捕捉有用的空间模式，并通过对数据中的模式施加约束，在学习中创建了可解释的一致性。通过在高山地区结合多个降水产品的信息，证明了自编码器的实用性。

    Mar, 2024

  • 朝向适合 K 均值算法的空间：同时进行深度学习与聚类

    本文提出了一种利用深度神经网络实现联合降维和 K-means 聚类的方法，通过学习非线性函数的深度神经网络，以期获得更好的聚类和降维效果。

    Oct, 2016