Making Sense of Touch: Unsupervised Shapelet Learning in Bag-of-words Sense

要約

このホワイトペーパーでは、長い時系列データをShapeletメンバーシップの確率にマッピングすることにより、入力寸法を減らすために、T分配確率的隣接埋め込み（T-SNE）を隠された層として使用するニューラルネットワークであるNN-STNEを紹介します。
ガウスカーネルベースの平均平方根誤差はローカルデータ構造を保持しますが、K-meansは非凸最適化チャレンジのためにシェイペレット候補を初期化します。
既存の方法とは異なり、私たちのアプローチはT-SNEを使用して低次元空間の混雑に対処し、L1-NORMの正規化を適用して、シェープレットの長さを最適化します。
UCRデータセットと電気コンポーネント操作タスクの評価は、オンにするなど、ロボット工学の最先端の機能学習方法よりもクラスタリングの精度の向上を示しています。

要約(オリジナル)

This paper introduces NN-STNE, a neural network using t-distributed stochastic neighbor embedding (t-SNE) as a hidden layer to reduce input dimensions by mapping long time-series data into shapelet membership probabilities. A Gaussian kernel-based mean square error preserves local data structure, while K-means initializes shapelet candidates due to the non-convex optimization challenge. Unlike existing methods, our approach uses t-SNE to address crowding in low-dimensional space and applies L1-norm regularization to optimize shapelet length. Evaluations on the UCR dataset and an electrical component manipulation task, like switching on, demonstrate improved clustering accuracy over state-of-the-art feature-learning methods in robotics.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google