介绍了一种简单的线性分类器,它利用随机卷积核,相对于现有方法具有极少的计算负担,可用于时序数据分类,并在准确性上达到了最先进的水平。
Oct, 2019
这篇论文提出了一种基于卷积神经网络的时序分割方法来检测异常,并使用迁移学习框架在大规模合成单变量时间序列数据集上进行预训练,然后在小规模、单变量或多变量数据集上进行微调,同时针对多变量情况,介绍了一种新的网络架构。该方法在多个合成和实际数据集上进行了成功测试。
May, 2019
本研究基于数据时间聚类的不变性,提出了分析多变量临床时间序列数据的模型以及一种数据扩充技术方案,用于规范化深度神经网络中医学预测任务,该方法以评估医疗预测任务为基准,提高了其预测精度。
Apr, 2019
本研究提出了一种利用退火机的新型时间序列聚类方法,对时间序列数据进行分类的同时,具有去除异常值的鲁棒性。与现有的聚类方法相比,该方法在分类结果上获得了更好的表现。
May, 2023
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。
Apr, 2017
本文将贝叶斯方法扩展到异质时间序列数据的可解释核嵌入,其可用于聚类、模式识别和异常检测等,相较于以往的关系核学习方法,具有更强的实用性。
Aug, 2019
本文介绍了一种基于增强版 k-means 聚类算法的深度卷积神经网络,该算法通过无监督学习技术利用分层特征来减少相关参数的数量,从而提高了测试分类精度。作者进一步展示了学习深度卷积神经网络各层之间的连接能够提高网络在少量标记数据上的训练能力,最终在 STL-10 数据集上获得 74.1% 的测试准确率以及在 MNIST 数据集上仅有 0.5% 的测试误差。
Nov, 2015
该研究提出一种基于两阶段聚类的时间序列聚类新技术,其中使用最小二乘多项式分段过程对每个时间序列进行分段,并将它们映射到相同维度的空间中进行一系列的聚类过程,最终结果很有前途,并在与两种最新方法相比较时显示出性能表现优异。
Oct, 2018
本文介绍了一种基于傅里叶特征表示和深度学习方法的高斯过程模型,可以学习任意复杂度的非平稳协方差核直接从数据中,而不会过拟合,并且可以应用于时间序列和遥感等领域。
Nov, 2017
提出了一种基于多尺度卷积神经网络的时间序列分类模型,该模型将特征提取和分类集成在一个框架中,具有较高的准确性和计算效率,并在大量基准数据集上进行了全面的实证评估,取得了优于其他先进方法的性能。
Mar, 2016