无监督学习时态数据的最新技术是什么？

Question

我正在寻找最先进的方法的概述

• 在时间数据中找到(任意长度的)时间模式

• 并且没有监督(没有标签).

换句话说,给定一个蒸汽/序列(可能是高维)数据,您如何找到最能捕获数据结构的公共子序列.

1. 欢迎任何关于最新发展或论文(超出HMM,希望)的指示!

2. 这个问题是否可以在更具体的应用领域中得到充分理解,例如

   • 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. 另外,这些方法中的一些通用性足以应对
   • 高度嘈杂的数据
   • 层次结构
   • 在时间轴上不规则地间隔

(我对检测已知模式,对序列进行分类或分段不感兴趣.)

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,解释使用一组因子而不是单个混合成分的观察.

这里有一些有趣的论文(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"
• "通过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.