2009-SIGKDD-Time Series Shapelets: a New Primitive for Data Mining-时间序列、Shapelets

最新推荐文章于 2025-05-08 10:46:03 发布
最新推荐文章于 2025-05-08 10:46:03 发布
阅读量278 收藏 1
点赞数
CC 4.0 BY-SA版权
分类专栏： 论文学习
欢迎转载，但是请明确地标注清楚源自CSDN千行百行。不加标注，虽远必诛！！！
本文链接：https://blog.csdn.net/shiyuzuxiaqianli/article/details/115385563
博客提及了一个轮子，从tslearn到shapelets，这可能涉及到信息技术领域中特定的技术或工具的关联应用。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

时间序列：Shapelets
weixin_43375850的博客
09-11 1万+
Time Series Shapelets：A New Primitive for Data Mining 本篇论文发表于2009年，首次提出了shapelets这一概念。 摘要 shapelets是时间序列的一个子序列，可以称作最大区分子序列。这里的最大指的是这个子序列的区分能力最大。常用的近邻算法是一种全局性的方法，因为它需要用到全部的数据集，而shapelets属于一种局部模式，它使用具有区...
阅读笔记-A transformer-based framework for multivariate time series representation learning(TST SIGKDD）
qq_41328481的博客
09-05 1024
阅读笔记-A transformer-based framework for multivariate time series representation learning(TST SIGKDD）
Time Series Shapelets A New Primitive for Data Mining.pdf
09-11
Time Series Shapelets A New Primitive for Data Mining shapelets论文2009
Time Series Shapelets: A New Primitive for Data Mining
小蚂蚁与大象
06-07 481
时间序列的分类在过去的十年中引起了人们极大的兴趣。最近的经验证据强烈表明，简单最近邻算法是很难击败大多数时间序列问题。虽然这可能被认为是好消息，但考虑到实现最近邻算法的简单性，这也有一些负面影响。首先，最近邻算法需要存储和搜索整个数据集，导致时间和空间的复杂性，限制了其适用性，特别是在资源有限的传感器上。其次，除了分类的准确性，我们通常希望对数据有一些了解。在这项工作中，我们引入了一个新的时间序列原语，时间序列shapelets，以解决这些局限性。非正式地说，shapelets是时间序列子序列，在某种意义上
论文阅读：Time Series Shapelets: A New Primitive for Data Mining
西檬饭
07-22 3240
时间序列分类最简单和稳健的方法是最近邻算法，优点是没有大量参数需要调整，缺点是我们无法深入了解一个特定的对象为什么被分到一个特定的类。 图1显示了两类叶子的例子，荨麻（刺荨麻）和马鞭草。这两种植物通常被混淆。 为了区分两种叶子，颜色和大小的可变性使类之间的差异性很小，我们最大的希望是基于叶子的形状。但从总体来看还是相差很细微。尝试将每个叶子转换成一维表示，如图2所示。 然而，使用（旋转不变）欧几里德距离或动态时间扭曲（DTW）距离的最近邻分类器并没有显著优于随机猜测。原因似乎是数据有点嘈杂（即昆虫咬伤和
Learning Time-Series Shapelets
小蚂蚁与大象
06-08 929
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
acm-sigkdd-topic-modeling:奥斯汀 ACM SIGKDD 的主题建模演讲，5 月 13 日
06-06
"acm-sigkdd-topic-modeling:奥斯汀 ACM SIGKDD 的主题建模演讲，5 月 13 日" 指的可能是一场在2015年5月13日于奥斯汀举行的ACM SIGKDD（Special Interest Group on Knowledge Discovery and Data Mining）会议上...
MXNet-for-CDL:用于“推荐系统的协作深度学习”的官方MXNet代码-SIGKDD
03-11
这是在MXNet的KDD 2016动手教程中使用的CDL的MXNet版本。 请注意，该代码是CDL的简化版本，仅用于演示（您也可以找到相应的IPython笔记本）。 在此版本的代码中，我们不使用预训练和S形激活（在CDL的matlab / C ++...
【文献阅读】 2018-SIGKDD-STAMP:Short-Term Attention/Memory Priority Model for Session-based Recommendation
热门推荐
乐川大佛的博客
10-07 1万+
说明 原文链接。 此处将Session-based Recommendation直译为会话推荐，有地方意译为短序列推荐。 此处将external memory译为外部记忆，直译话为外部存储器(外存)，short-term memory译为短期记忆，直译的话为短期存储器。 标题 题目：STMAP:基于会话推荐的短期注意/记忆优先模型 作者： Qiao Liu University of ...
CDL:“推荐系统的协作式深度学习”的官方代码-SIGKDD
03-11
这是CDL（）的官方代码。 有关模型的更多详细信息，请参。 它由两部分组成：matlab组件和C ++组件。 要运行此代码，您需要确保： 您在cdl-release / example中有mult_nor.mat文件（可以从下载） ...
论文研究-基于非相似原理快速查找多个shapelets.pdf
09-07
shapelets是描述时间序列局部特征的子序列，它能最大程度对不同类别进行区分。从它的发明至今一直吸引着研究者的关注，但是由于过高的时间复杂度阻碍了它被广泛应用。一种快速查找多个shapelets的方法（Non-Similar Discover of Shapelet，NSDS）被提出：基于shapelets非相似的特性，根据子序列间距离分布设置一个距离阈值，以此过滤掉候选集中的相似子序列。再使用类可分离性作为过滤后的候选子序列的评价标准，最终选择出性能最好的多个shapelets。通过在单变量时间序列数据集上的实验表明了该方法可以极大缩短查找shapelets时间，而且能保持较高的分类准确性。将该方法扩展到多变量时间序列，对多个变量采用组合分类器的方法来提高整体分类的准确率。
ACM SIGKDD 2009年会投稿数目创记录
傅顺开的专栏
02-10 990
KDD09收到了创记录数目的论文，包括561篇Research Track的和125篇应用Track，分别比去年增加了10%和50%。 Record number of papers submitted to KDD-09The full paper submission deadline is now closed. KDD09 received arecord-br
机器学习：Shapelet（学习笔记）
OHHHHH890的博客
05-07 3554
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。
Shapelets介绍-时序分类方法
最新发布
哪惧明天，风高路斜
05-08 150
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。
时序论文25｜ShapeFormer: 用于多变量时间序列分类的Shapelet Transformer
u010681011的专栏
11-25 1621
本文面向的任务是多元时间序列分类任务，提出Shapelet Transformer（ShapeFormer），提取通用特征和代表性类别特定特征(shapelets)。一、什么是序列的shapelets?这里有一个重要概念:shapelets。在多元时间序列分类（MTSC）中，"Shapelet"是每个类别的判别性子序列，换句话说就是那些含有特定类别信息的时间序列子序列。很明显，Shapelet与其类别的时间序列之间的距离远小于与其他类别时间序列的距离（见图1），这种覆盖能力使它们能有效代表时间序列。
Shapelets：一种时间序列特征提取方法
lqiqiqiqi的博客
09-01 1767
定义信息增益：定义最优切分点和shaplet： 给定一个由两个类 A 和 B 组成的时间序列数据集 D，shapelet(D) 是一个子序列，具有相应的最佳分割点。使得对于任意的子序列$S$，shapelet(D) 都是信息增益Gain最多的。由于 shapelet 是任何长度小于或等于我们数据集中最短时间序列长度的时间序列，因此它可能具有无限数量的可能形状。为简单起见，假设 shapelet 是数据集中时间序列对象的子序列。
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 5299
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
ShapeNet: A Shapelet-Neural Network Approach forMultivariate Time Series Classification（AAAI2021）
小蚂蚁与大象
06-25 2059
时间序列shapelets是一种具有短分辨性的子序列，近年来被发现在单变量时间序列的分类问题中不仅具有精确性，而且具有可解释性。然而，现有的关于shapelets选择的研究还不能应用于多变量时间序列分类(MTSC)，因为MTSC的候选shapelets可能来自不同长度的变量，因此无法直接进行比较。为了解决这一问题，本文提出了一种新的ShapeNet模型，该模型将不同长度的shapelet候选者嵌入到一个统一的空间中进行shapelet选择。该网络采用聚类三组损失训练，考虑锚点与多个正(负)样本之间的距离和正
单变量序列数据分类方法综述
renhongxia1的博客
02-13 2258
UCR序列数据归档UCR序列数据归档[13]是研究与分析单变量TSC问题的专用数据库, 也是目前最全面的数据库。其包含了128个公开、已标注的单变量序列数据集, 每个数据集由预先划分的训练集和测试集组成。UCR归档中的序列数据从现实世界中的诸多应用领域采集而来, 典型的数据类型包括图像轮廓数据、设备监控数据、动作识别数据、生物医疗数据以及其他传感器数据等, 图 14中给出了部分数据示例。近年来, TSC社区的诸多学者为UCR归档贡献了大量数据集, 围绕UCR归档展开的研究也十分广泛。
2009年KDD-CUP竞赛数据挖掘训练集分享
KDD-CUP数据挖掘竞赛是数据挖掘领域内一个非常著名的竞赛，其全称为“知识发现和数据挖掘竞赛”(Knowledge Discovery and Data Mining Competition)。这个竞赛为数据挖掘、机器学习以及相关领域的研究者和实践者提供...
评论
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

打赏作者

千行百行

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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