无监督学习时态数据的最新技术是什么？

Question

我正在寻找

最先进方法的概述

• 在时间数据中找到时间模式（任意长度）

• 且无人监管（无标签）。

换句话说，给定一个（可能是高维度）数据的蒸汽/序列，您如何找到最能捕获该结构的公共子序列 数据

1. 欢迎任何关于最新发展或论文（超出HMM的希望）的指示！

2. 这个问题是否可以理解 在更具体的应用领域，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，这些方法中的一些通常足以应对
   • 高度嘈杂的数据
   • 层次结构
   • 在时间轴上不规则间隔

（我不对检测已知模式感兴趣，也不对分类或分割序列感兴趣。）

Answer 1

最近有很多强调非参数HMM，无限状态空间的扩展，以及因子模型，使用一组因子而不是单一混合成分来解释观察。

以下是一些有趣的论文（只是谷歌的纸名）：

• “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断”
• “使用beta流程在动态系统之间共享功能”

这些论文的实验部分讨论了文本建模，说话人日记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：

• 重现情节（很容易找到谷歌搜索）
• 延时嵌入（可能会展现数据不同维度之间的潜在关系）+ 距离矩阵（可能会研究邻域模式？）

请注意，这只是表示数据的另一种方式，并根据此新表示进行分析。只是一个建议！