主题: Effective Linear Models for Learning with Sequences and Time Series

摘要: 在这篇演讲中,演讲者介绍了他的研究小组在开发用于序列和时间序列数据的分类和回归任务的机器学习算法方面所做的一些工作。重点是训练线性模型的算法。尽管这些线性模型被认为过于简单,无法在许多学习任务中实现高精度,但当在丰富的特征空间中进行训练时,它们是非常复杂的模型(如集成和深度学习模型)的有力竞争对手。具有丰富特征的线性模型与复杂的非线性模型一样精确,但训练效率高,易于解释。这种情况下的可解释性意味着模型(加权特征列表)和预测(特征权重之和)对用户是透明的。他首先概述了他们遇到序列和时间序列的重要和广泛的应用领域,讨论了使用序列学习的常用方法,并提出了序列分类和回归任务的算法。他还展示了序列学习的思想如何自然地传递给时间序列数据,并展示了一个从多个符号表示中选择特征的线性模型,实现了最先进的时间序列分类精度。通过组合序列数据的多种表示形式来创建丰富的特征,使得线性模型能够获得高精度、高效的训练和保持可解释性,后者是许多应用中的一个关键要求。

邀请嘉宾: Georgiana Ifrim博士是都柏林大学学院计算机科学学院的助理教授,是SFI机器学习研究培训中心(ML Labs)的联合负责人,同时也是SFI资助的Insight Centre for Data Analytics和VistaMilk Research centres的调查员。她是加州大学计算机科学学院的研究生研究主任。 个人主页:https://people.ucd.ie/georgiana.ifrim

成为VIP会员查看完整内容
34

相关内容

时间序列(或称动态数列)是指将同一统计指标的数值按其发生的时间先后顺序排列而成的数列。时间序列分析的主要目的是根据已有的历史数据对未来进行预测。经济数据中大多数以时间序列的形式给出。根据观察时间的不同,时间序列中的时间可以是年份、季度、月份或其他任何时间形式。
【SIGIR2020】学习词项区分性,Learning Term Discrimination
专知会员服务
15+阅读 · 2020年4月28日
初学者系列:推荐系统Wide & Deep Learning详解
利用神经网络进行序列到序列转换的学习
AI研习社
12+阅读 · 2019年4月26日
OpenAI NLP最新进展:通过无监督学习提升语言理解
人工智能头条
6+阅读 · 2018年6月18日
Hierarchical Imitation - Reinforcement Learning
CreateAMind
19+阅读 · 2018年5月25日
学好机器学习,这里有你想要的一切
数据挖掘入门与实战
3+阅读 · 2018年3月14日
【深度强化学习】深度强化学习揭秘
产业智能官
20+阅读 · 2017年11月13日
Learning Discriminative Model Prediction for Tracking
Arxiv
12+阅读 · 2019年3月14日
Arxiv
18+阅读 · 2019年1月16日
Adaptive Neural Trees
Arxiv
4+阅读 · 2018年12月10日
Arxiv
11+阅读 · 2018年7月8日
VIP会员
相关VIP内容
【SIGIR2020】学习词项区分性,Learning Term Discrimination
专知会员服务
15+阅读 · 2020年4月28日
相关资讯
初学者系列:推荐系统Wide & Deep Learning详解
利用神经网络进行序列到序列转换的学习
AI研习社
12+阅读 · 2019年4月26日
OpenAI NLP最新进展:通过无监督学习提升语言理解
人工智能头条
6+阅读 · 2018年6月18日
Hierarchical Imitation - Reinforcement Learning
CreateAMind
19+阅读 · 2018年5月25日
学好机器学习,这里有你想要的一切
数据挖掘入门与实战
3+阅读 · 2018年3月14日
【深度强化学习】深度强化学习揭秘
产业智能官
20+阅读 · 2017年11月13日
微信扫码咨询专知VIP会员