48、无监督可解释模式发现与手势输入GPS路线搜索

无监督可解释模式发现与手势输入GPS路线搜索

无监督可解释模式发现

在数据挖掘领域，卷积自动编码器（convolutional AEs）是发现时间序列中可解释模式的优秀无监督工具。在提出的架构中，非局部最大抑制层（包含高斯滤波器）是必不可少的。

当M取不同值时，该层的作用十分明显：
- 当M = 3时，如果没有该层，系统在有噪声的情况下只能恢复一个模糊的“假”模式，而无法恢复任何真实模式。
- 当M = 6时，在干净的数据集中只能捕获4个模式（总共6个），在有噪声的数据集中则无法找到任何模式。
- 当M = 12时，在干净的数据集中能够恢复6个原始真实模式，但在有噪声的数据集中也只能恢复一个模糊的“假”模式。

同时，AdaReLU函数对于恢复可解释模式也起着重要作用。如果不使用它（而是使用ReLU），识别出的模式不是“真实”模式，它们的强度非常低，并且具有高度的自相关性。

在真实视频数据集上的实验结果表明，通过网格搜索选择参数，最小化目标数据集上的均方误差（MSE）。例如，在Junction 1数据集上，最终使用的参数为λlas = 0.2，λgrp = 50，λent = 5。与合成情况相比，这些参数值更大，但观测尺寸也大得多（100 vs 25），因此滤波器通常更稀疏。在Junction 1数据集中，自动编码器恢复了4个非空且有意义的滤波器，捕获了与不同交通信号周期相关的汽车活动；在远场情况下，如相关文献报道，恢复了汽车的主要轨迹。

数据集	最终参数	恢复情况