普林斯顿大学联合IBM提出利用深度学习进行“自动特征学习”，实现“时间序列分割”

大家都知道，近年来，物联网（IoT）的应用越来越受欢迎，其应用范围从构建能源监控到个人健康追踪和活动识别。为了利用这些数据，自动知识提取（automatic knowledge extraction）必须按比例进行。因此，我们可以看到，最近很多物联网数据集都包含一个人类专家指定状态的注释，记录为数据序列中的一组边界和相关标注。这些数据可以用来构建自动标注算法（automatic labeling algorithms），从而可以像专家一样生成标注。在这里，我们将人为指定的边界称为breakpoints（断点）。传统的变点检测（changepoint detection）方法只能查找统计学意义上可检测的边界，其中，这些边界被定义为数据序列的生成参数中的突变。然而，我们观察到断点往往出现在更细微的边界上，而用这些统计方法对其进行检测的效果并不是很好。在这项研究中，我们提出了一种新的，基于深度学习的无监督方法，它在性能表现上要优于现有的技术，并且能够以较高的精确度学习更微妙的断点边界。对各种真实的数据集（包括人类活动感知数据、语音信号和脑电图（EEG）活动轨迹）进行粗略的广泛实验，我们证明了我们所提出算法在实际应用中的有效性。此外，研究结果表明，我们的方法较之以往的方法具有更显著的有效性。

转自：雷克世界