machine-learning - 对时间数据进行无监督学习的最新技术是什么？

Question

我正在寻找最先进的方法的概述，

• 在时间数据中查找时间模式（任意长度）

• 并且是无监督的（没有标签）。

换句话说，给定一个（可能是高维的）数据流/序列，你如何找到那些最能捕捉数据结构的常见子序列。

1. 欢迎任何指向最近的发展或论文（希望超越 HMM）的指针！

2. 这个问题是否在更具体的应用领域中得到了很好的理解，比如

   • 动作捕捉
   • 语音处理
   • 自然语言处理
   • 游戏动作序列
   • 股市预测？

3. 此外，这些方法中的一些是否足够通用以应对
   • 高噪声数据
   • 层次结构
   • 时间轴上的不规则间距

（我对检测已知模式不感兴趣，也不对序列的分类或分割感兴趣。）

Answer 1

最近有很多强调非参数 HMM、无限状态空间的扩展以及阶乘模型，使用一组因子而不是单个混合分量来解释观察。

以下是一些有趣的论文开始（只需谷歌论文名称）：

• “无限隐马尔可夫模型的光束采样”
• “无限因子隐马尔可夫模型”
• “切换动态线性模型的贝叶斯非参数推理”
• “在具有 beta 过程的动态系统之间共享特征”

这些论文的实验部分讨论了在文本建模、说话者分类和动作捕捉等方面的应用。

Answer 2

我不知道您正在分析的数据类型，但我建议（从动态系统分析的角度来看）看看：

• 递归图（很容易找到它）
• 时间延迟嵌入（可能展现数据不同维度之间的潜在关系）+距离矩阵（可能研究邻域模式？）

请注意，这只是表示数据的另一种方式，并基于这种新的表示进行分析。只是一个建议！