.png){kind=icon}
返回
Clustered Temporal Decomposition for High-Dimensional Data
.png){kind=icon}
OA
AI
DOI：10.1007/s13253-025-00721-6.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
随着高维向量时序数据的日益普及，在时间序列分析中准确识别并有效利用序列间关联已成为必要条件。本文提出了一种名为集群化时序分解（CTD）的方法，它同时学习此类数据的截面集群和时序结构。CTD通过将真实值建模为两个低秩矩阵的乘积来实现这一目标，每个矩阵独立捕捉两种结构属性之一。该方法能够容纳广泛的时序和聚类模型——包括最先进的深度学习方法——以描述数据的潜在空间。CTD区别于现有方法之处在于允许两个任务在训练阶段相互影响。在温和条件下，CTD估计量以高概率实现明确的无渐近收敛速率逼近真实值。模拟实验表明，CTD在不利条件下（如高观测噪声和真实截面嵌入的聚类性低）表现尤为出色。这表明CTD的优势源于其能够获取广义历史，而其无监督的形成由集群引导。最后，我们通过对美国环保署（EPA）空气污染物数据集得出可解释的结果，证实了CTD对现实环境问题的适用性。代码示例、附加图表以及理论结果的证明可在https://github.com/h4265172/CTD中找到。
Keyword:
Forecasting
Matrix factorization
Non-asymptotics
Regularization
期刊
J
IF:
1.1
论文数:
25
被引数:
1.6K
机构
引用论文
.png){kind=icon}
分享收藏分享收藏
查看更多内容