Oct, 2023

基于模型的个体生态瞬时评估时间序列数据聚类，用于优化预测性能

PDF
TL;DR通过生态瞬时评估 (EMA) 研究，通过跨多个个体收集了大量的时序数据，持续监测情绪行为的各种项目。研究表明，将相似个体的附加信息聚集在一起，可以提高模型的预测性能，从而改善个体的描述。本文研究基于模型的聚类方法，并使用内在的聚类评估度量和下游预测方案的性能来分析这两种方法。结果显示，基于性能的聚类方法在所有评估度量方面均取得最佳结果。此外，通过将群组模型的性能与三种基准方案（个性化、整体群组和随机群组）进行比较，再次确认了聚类方法的优越性，表明利用群组信息可以有效提高所有个体数据的整体性能。
ecological momentary assessmenttime-series dataclusteringindividuals' predictive performancegroup-based information
发现论文，激发创造
  • 通过时间和特征关注解释生态瞬时评估数据的聚类

    本文通过提出基于注意力机制的可解释性框架来识别在区分集群时起主要作用的重要时间点和变量，并分析了应用于 187 个个体分为 3 个集群的 EMA 数据集的注意力重要属性，从集群、特征和个体水平提供了不同的特征。

    May, 2024

  • 利用个体图结构提升生态瞬时评估（EMA）预测

    该研究调查了借助回归和时间图神经网络（GNNs）评估和预测生态瞬时评估（EMA）数据的性能，发现 GNNs 能够在增加内部变量关系的图的情况下显著提升结果，将均方误差（MSE）从基准 LSTM 模型的 1.02 降低至 0.84；此外，也探讨了构建具有不同特征的图对 GNN 性能的影响，并发现使用动态优化的 GNN 学习图具有类似良好的性能，因此图学习对其他 GNN 方法也具有潜在的改进作用。

    Mar, 2024

  • 基于全球预测模型的预测准确性的时间序列聚类

    本文提出了一种新的基于模型的时间序列聚类方法，该方法通过考虑每个聚类所属的系列来拟合 K 个全局预测模型，然后将每个系列分配给产生最佳预测的模型关联的组。该方法以预测准确性作为构建聚类分区的主要元素，产生了一种新的聚类范例，其中聚类解决方案的质量是通过其预测能力来衡量的。此外，该过程还产生了一种选择时间序列数据库中聚类数量的有效机制，并且可以与任何类回归模型结合使用。大量模拟研究表明，该方法优于其他几种替代技术，包括聚类效果和预测准确性。该方法还应用于多个时间序列文献中使用的标准基准数据集的聚类中，产生了良好的结果。

    Apr, 2023

  • 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

  • 基于模型的网络群聚类

    我们提出了一种基于广义线性（混合）模型的基于模型的聚类方法，用于描述网络人口的联合分布并识别共享某些感兴趣的拓扑性质的网络子人口，最大似然估计可通过 EM 算法实现。

    Jun, 2018

  • 基于混合马尔可夫模型的学生参与行为建模与预测

    利用基于模型的聚类方法，通过生成混合马尔可夫模型对学生的（非）参与行为进行分组，通过预处理和 EM 算法初始化的方法来提高聚类效果，并通过马尔可夫链可视化学生的参与行为。

    Feb, 2024

  • 投资者群体的时间分布及其在专家建议预测中的应用

    研究表明，通过对 2015 年至 2017 年 2 万名外汇交易员的实际交易进行聚类，可以使用 Ewens' Sampling Distribution 描述簇的分布，同时将 Aggregating Algorithm（AA）应用于这些实际数据可以提高交易员风险投资组合的回报，然而当交易中存在过多相似模式时，AA 算法表现不佳，因此应用统计验证网络（SVN）和层次聚类方法可以显著改进 AA 算法在回报的盈利性和平滑性方面的结果。

    Jun, 2024

  • 利用集群系统识别学习个性化模型

    该研究提出了一种从观察多种系统动态下的轨迹中学习线性系统模型的算法，其中系统根据相似性被分为不同的簇，并推导出一种通过估计系统簇身份并估计动态来更新每个簇模型的方法，从而实现更高效和个性化的系统识别过程。

    Apr, 2023

  • 利用深层预测聚类进行疾病进展的时间表型研究

    本文研究了对于电子健康记录中的时间序列医疗数据进行聚类的方法，发展了基于深度学习的方法，利用新的损失函数，以相似的未来结果进行聚类，超过现有的基准测试，提出了可制定具体行动的信息用于临床决策。

    Jun, 2020

  • 基于四分位数估计均值梯度聚合的联邦图像分类基准

    Estimated Mean Aggregation (EMA) 是一种创新解决方案，既能够增强模型安全性，又能够处理数据异质性，从而提高去中心化深度学习在联邦学习中的效率、安全性和多样性。

    Sep, 2023