Nội dung được dịch bởi AI, chỉ mang tính chất tham khảo
Vượt qua sự bùng nổ tổ hợp trong việc trích xuất cấu trúc tương đương
Tóm tắt
Việc trích xuất cấu trúc tương đương (ES) cho phép chúng ta xác định các mối quan hệ tương ứng trong một tập dữ liệu hoặc giữa nhiều tập dữ liệu khác nhau. Các ứng dụng của việc trích xuất ES bao gồm phân tích dữ liệu chuỗi thời gian, tiền xử lý trong học giả lập, và tiền xử lý trong học chuyển giao. Hiện nay, phương pháp tìm kiếm theo cặp gia tăng (PIS) là phương pháp nhanh nhất để trích xuất ES; tuy nhiên, một sự bùng nổ tổ hợp có thể xảy ra khi sử dụng phương pháp này. Trong bài báo này, chúng tôi chỉ ra rằng sự bùng nổ tổ hợp là một vấn đề xảy ra trong PIS, và chúng tôi đề xuất một phương pháp mới mà không gặp phải vấn đề này. Chúng tôi đánh giá phương pháp đề xuất qua các thí nghiệm; kết quả cho thấy phương pháp được đề xuất của chúng tôi nhanh hơn 39 lần so với PIS cho các tập dữ liệu tổng hợp có cấu trúc tương đương 20 chiều. Trong thí nghiệm sử dụng tập dữ liệu video, phương pháp đề xuất cho phép chúng tôi thu được một cấu trúc tương đương 29 chiều, trong khi PIS thì không vì mức sử dụng bộ nhớ đã đạt đến giới hạn khi số chiều là 9. Trong thí nghiệm này, thời gian xử lý tổng cộng cho phương pháp đề xuất của chúng tôi lên đến 29 chiều ngắn hơn 6.3 lần so với PIS cho ngay cả 8 chiều.
Từ khóa
#cấu trúc tương đương #trích xuất dữ liệu #tìm kiếm theo cặp gia tăng #bùng nổ tổ hợp #học chuyển giaoTài liệu tham khảo
Alaee S, Kamgar K, Keogh E (2020) Matrix profile XXII: exact discovery of time series motifs under DTW. In: Int Conf on Data Mining (ICDM)
Caselles-Dupré H, Ortiz MG, Filliat D (2019) Symmetry-based disentangled representation learning requires interaction with environments. Adv Neural Inf Process Syst 32:4606
Delhaisse B, Esteban D, Rozo L, Caldwell D (2017) Transfer learning of shared latent spaces between robots with similar kinematic structure. In: Int Joint Conf on Neural Networks (IJCNN)
Gao Y, Lin J (2019) Discovering subdimensional motifs of different lengths in large-scale multivariate time series. In: Int Conf on Data Mining (ICDM)
Higgins I, Amos D, Pfau D, Racaniere S, Matthey L, Rezende D, Lerchner A (2018) Towards a definition of disentangled representations. arXiv:1812.02230
Locatello F, Poole B, Rätsch G, Schölkopf B, Bachem O, Tschannen M (2020) Weakly-supervised disentanglement without compromises. In: Int Conf on Machine Learning (ICML)
Long M, Zhu H, Wang J, Jordan MI (2017) Deep transfer learning with joint adaptation networks. In: Int Conf on Machine Learning (ICML)
Satoh S, Takahashi Y, Yamakawa H (2017) Validation of equivalence structure incremental search. Front Robot AI. https://doi.org/10.3389/frobt.2017.00063
Satoh S, Takahashi Y, Yamakawa H (2018) Accelerated equivalence structure extraction via pairwise incremental search. In: ACM SIGKDD Int Conf on Knowledge Discovery and Data Mining
Satoh S, Yamakawa H (2017) Incremental extraction of high-dimensional equivalence structures. In: Int Joint Conf on Neural Networks (IJCNN)
Senin P (2008) Dynamic time warping algorithm review. Tech rep, Information and Computer Science Department University of Hawaii at Manoa Honolulu USA
Sermanet P, Lynch C, Chebotar Y, Hsu J, Jang E, Schaal S, Levine S, Brain G (2018) Time-contrastive networks: self-supervised learning from video. In: Int Conf on Robotics and Automation (ICRA)
Sun Q, Liu Y, Chua TS, Schiele B (2019) Meta-transfer learning for few-shot learning. In: Conf on Computer Vision and Pattern Recognition (CVPR)
Torabi F, Warnell G, Stone P (2019) Recent advances in imitation learning from observation. In: Int Joint Conf on Artificial Intelligence (IJCAI)
Wang J, Chen Y, Feng W, Yu H, Huang M, Yang Q (2020) Transfer learning with dynamic distribution adaptation. ACM Trans Intell Syst Technol 11(1):1–25
Yamada M, Kim H, Miyoshi K, Iwata T, Yamakawa H (2020) Disentangled representations for sequence data using information bottleneck principle. In: Asian Conf on Machine Learning (ACML)
Yang C, Yuan K, Heng S, Komura T, Li Z (2020) Learning natural locomotion behaviors for humanoid robots using human bias. IEEE Robot Autom Lett 5(2):2610–2617
Yeh CCM, Kavantzas N, Keogh E (2017) Matrix profile VI: meaningful multidimensional motif discovery. In: Int Conf on Data Mining (ICDM)
Zhuang F, Qi Z, Duan K, Xi D, Zhu Y, Zhu H, Xiong H, He Q (2019) A comprehensive survey on transfer learning. arXiv:1911.02685