Salient Subsequence Learning for Time Series Clustering论文笔记

最新推荐文章于 2025-05-08 10:46:03 发布
原创 最新推荐文章于 2025-05-08 10:46:03 发布 · 2.4k 阅读 · 10 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#时间序列聚类 #shapelet

Salient Subsequence Learning for Time Series Clustering

Qin Zhang, Jia Wu, Member, IEEE, Peng Zhang, Guodong Long, Chengqi Zhang, Senior Member, IEEE
TPAMI 2018

什么是shapelet？

shapelet是时间序列的子序列，具有判别性，其在某种意义上最大程度地代表类。

从树叶分类说起，自然是根据树叶的形状分类
在这里插入图片描述
将每个树叶用一个一维的时间序列来表示
在这里插入图片描述
根据shapelets分类
在这里插入图片描述

shapelets的优点
  • 可解释性好
  • 结果更精确，因为考虑的是局部特征，而非全局特征(很容易收到噪声和扭曲的影响)
  • 速度
最低0.47元/天 解锁文章
论文笔记 -- Learning Representations for Time Series Clustering
qq_43923588的博客
08-13 3248
文章目录Learning Representations for Time Series ClusteringMotivationContributionModelDTCR工作DTCR流程输入输出变量定义算法流程Equipment数据集介绍Baseline方法对比试验消融实验各项损失的贡献学习表示的过程鲁棒性分析超参数分析主要方法参考文献 Learning Representations for Time Series Clustering 原文：Learning Representations for T
DTCR(Learning Representations for Time Series Clustering)论文理解
weixin_43897803的博客
07-16 1939
DTCR模型结构： 一.模型思路来源： 重构损失能够包含以前时间序列的相关特性，但学到的特征对分类任务并不一定适用。为使学到的特征形成类结构，从而获得特定于类的表示，所以模型中引入了k-means。另外，在序列到序列的模型中，encoder的能力越好，学到的潜在特征越好。因此为了提升encoder的能力，在模型中加入了假样本生成和辅助分类机制 二.损失函数解析 1.重构损失 Lreconstruction=1n∑i=1n∣∣xi−xi^∣∣22 L_{reconstruction}=\frac{1}{n}
机器学习：Shapelet（学习笔记）
OHHHHH890的博客
05-07 3832
本文主要基于Time Series Shapelets: A New Primitive for Data Mining对该论文的理解，所以该文中有关shapelet的信息都是有关原始shapelet的理解。
Learning Time Series with R
岁月催猪老
03-11 1360
by Joseph Rickert 原文地址 Late last Saturday afternoon I was reading in my usual spot at the Dana Street Coffee House in Mt. View. A stranger walking by my table noticed my copy of Madsen’s Time Seri
Feature-driven Time Series Clustering（EDBT）
小蚂蚁与大象
06-05 353
Feature-driven Time Series Clustering（EDBT） 时间序列聚类问题在现实生活中有很多应用，特别是在数据科学和数据分析管道中。现有的时间序列聚类算法对于特征丰富的现实世界时间序列是无效的，因为它们只是基于原始数据计算时间序列的相似度，或者使用一个固定的特征集。在本文中，我们提出了一个基于特征的半监督聚类框架来解决上述问题的变长和异质时间序列。具体来说，我们依赖于时间序列的图编码，它是通过考虑大量重要的特征提取而获得的。然后，我们使用社区检测和利用共现矩阵，以便将所有最好
【论文精读】Benchmarking Deep Learning Interpretability in Time Series Predictions
小哨的博客
02-28 4299
Benchmarking Deep Learning Interpretability in Time Series Predictions
论文笔记：Progressive Attention Guided Recurrent Network for Salient Object Detection-附件资源
03-05
论文笔记：Progressive Attention Guided Recurrent Network for Salient Object Detection-附件资源
Learning salient visual word for scalable mobile image retrieval
02-09
Owing to the portable and excellent phone camera, people now prefer to-take photos and share them in social networks with their friends. If a user wants to obtain relevant information about an image, ...
Time-series clustering – A decade review.pdf
07-12
这是一篇在2015年发表的论文，英文题目为Time-series clustering – A decade review。这篇文章作者着重介绍了时序聚类的组成部分，同时也列举出组成部分的各大著名方法
Learning Time-Series Shapelets
小蚂蚁与大象
06-08 966
Shapelets是时间序列中最能预测目标变量的判别子序列。由于这个原因，shapelet的发现最近在时间序列研究界引起了相当大的兴趣。目前，通过评估从一系列片段中提取的众多候选片段的质量来发现shapelets。与最新的研究成果相比，本文提出了一种新的学习方法。提出了一种新的基于分类目标函数的任务数学形式化方法，并采用了量身定制的随机梯度学习算法。该方法能够直接学习接近最优的shapelets，而不需要尝试大量的候选样本。此外，我们的方法可以通过捕获它们的交互来学习真正的top-K shapelets。大
Learning Latent Seasonal-Trend Representations for Time Series Forecasting
小蚂蚁与大象
11-26 197
最后，提出了一种基于互信息约束的解耦变分推理框架，用于解耦潜空间中的季节趋势表示，以有效地预测时间序列。(1)从输入重构中，解剖了内在的季节趋势模式，这些模式可以很容易地从原始时间序列和现成的测量方法中获得，并据此设计了一系列辅助目标;(2)从表示本身出发，在保证季节和趋势表示之间的一致性的前提下，最小化季节和趋势表示之间的互信息(MI)。广泛的实验证明，LaST与最先进的表示学习和端到端预测模型相比，在时间序列预测任务上取得了最先进的性能。本文提出一种新的框架来学习潜在的季节趋势表示，用于时间序列预测。
Efficient Learning Interpretable Shapelets for Accurate Time Series Classification
小蚂蚁与大象
06-08 337
近年来，基于shapelets的时间序列分类技术由于其较高的识别能力和良好的可解释性，引起了学术界的广泛关注。以往的shapelets生成方法主要是从训练时间序列中提取shapelets，或者学习多个参数的shapelets。虽然它们可以达到比其他方法更高的精度，但它们仍然面临一些挑战。首先，在原始时间序列空间中搜索或学习形状簇会产生巨大的计算成本。例如，处理数百个时间序列可能需要几个小时。其次，他们必须事先确定需要多少shapelets，这在没有先验知识的情况下是很难做到的。为了克服这些挑战，本文提出了一
论文阅读-Time-series clustering – A decade review
qq_25368751的博客
11-02 1561
时间序列数据综述文章，主要介绍聚类操作的算法以及评价方法等。
Pyts入门之时间序列的分类---理解LearningShapelets算法（四）
轻舟已过万重山的博客
03-10 5343
简介 本章节直接跳过了BOSSVS算法，因为BOSSVS和SAX-VSM的区别也就只在于前面数据预处理的方式了，SAX-VSM用的是分箱的字词转换，而BOSSVS用的是Symbolic Fourier Approximation（详见第一节，本文不再赘述）也就是使用傅里叶变换的提取特征方法，所以与其介绍一遍差不多的，不如留给读者自行探索。 那么本节我将给各位介绍pyts中的LearningShapelets算法，来自于14年的“Learning Time-Series Shapelets”这篇文章，本算法过
时间序列形状特征综述
qq_44783372的博客
07-14 2015
shapelet发现、生成、转换
时间序列shapelet概述
qq_44783372的博客
07-14 4205
时间序列形状特征提取
【1分钟搞清楚】时间序列之什么是shapelet
千行百行的博客
07-23 5226
Ye和Keogh在2009年提出了一种叫shapelet的概念，shapelet是时间序列中能最大程度反映类别信息的连续子序列， 它可以很好地解释分类结果，即某个时间序列为什么属于某个类，如图所示为两条属于不同类别的时间序列曲线，黑色箭头所指处为一个可能的shapelet，因为他可以将两条时间序列显著区分开来。与一般的分类方法相比，基于shapelet的分类方法更加准确，解释性也更强。 [1]赵超. 融合选择性提取与子类聚类的快速时间序列shapelet发现算法[D].山东大学,2019. 形象地说s.
Shapelets介绍-时序分类方法
最新发布
哪惧明天，风高路斜
05-08 321
由于大多数时间序列数据在子序列中而非整个序列中表现出类间差异，因此 Shapelet 旨在表示这些具有判别性的时序数据子序列。简而言之，我们在序列中识别一个形状，以将其与该领域中的其他类区分开来。Shapelet 的示例如下所示。上图显示了叶子的时间序列一维表示。突出显示的部分显示了最能代表此叶子的子序列。有多种方法可以识别 Shapelet，并使用一些技术来优化发现和分类时间。一些著名的 Shapelet 算法包括“快速 Shapelet”和“学习时间序列 Shapelet。
文献阅读 - Searching and Mining Trillions of Time Series Subsequences under Dynamic Time Warping
Always On The Way
10-20 1078
Searching and Mining Trillions of Time Series Subsequences under Dynamic Time Warping T. Rakthanmanon, B. Campana, A. Mueen, et al., Searching and Mining Trillions of Time Series Subsequences under D...
Recurrently Aggregating Deep Features for Salient Object Detection
04-01
### 方法概述 显著目标检测是一种计算机视觉技术，旨在识别图像中最突出的目标区域。递归聚合深度特征方法的核心在于利用卷积神经网络提取多层特征并对其进行逐级融合[^1]。这种方法能够有效捕捉不同尺度下的上下文信息以及局部细节。 具体而言，该方法通常采用一种编码器-解码器结构来完成任务。编码器部分负责从输入图片中抽取多层次的语义特征；而解码器则通过上采样操作逐步恢复空间分辨率，并在此过程中引入来自更深层的高级语义特征作为指导信号[^2]。 为了进一步增强模型性能，在某些变体设计里还加入了循环机制或者注意力模块。前者允许网络多次迭代处理同一组数据从而不断优化预测结果的质量；后者则是帮助聚焦于那些真正重要的位置进而提升整体表现水平[^3]。 以下是基于PyTorch框架的一个简单实现例子： ```python import torch.nn as nn class RAGNet(nn.Module): def __init__(self, num_classes=1): super(RAGNet, self).__init__() # Encoder layers (e.g., ResNet backbone) self.encoder_layer_1 = ... self.encoder_layer_n = ... # Decoder layers with recurrent aggregation mechanism self.decoder_layer_1 = RecurrentAggregationModule(...) self.decoder_layer_m = RecurrentAggregationModule(...) # Final prediction layer self.prediction = nn.Conv2d(in_channels=..., out_channels=num_classes, kernel_size=1) def forward(self, x): enc_outs = [] for encoder in [self.encoder_layer_1,...]: x = encoder(x) enc_outs.append(x) dec_in = None for decoder, skip_conn in zip([self.decoder_layer_1,...], reversed(enc_outs)): dec_in = decoder(skip_conn, dec_in) output = self.prediction(dec_in) return output ``` 其中`RecurrentAggregationModule`代表具有特定功能逻辑的具体组件定义，需依据实际需求另行编写[^4]。 ### 注意事项 当训练此类模型时需要注意平衡好各个阶段之间的权重更新关系以防止单侧过拟合现象发生。另外由于涉及到较复杂的梯度传播路径所以可能需要调整学习率策略以促进稳定收敛过程[^5]。
评论 8
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值