ERL-ASC:面向多元时间序列的熵正则对数自适应谱聚类

《Neurocomputing》:ERL-ASC: Entropy-regularized logarithmic adaptive spectral clustering for multivariate time series

【字体: 大 中 小 】 时间:2026年05月19日 来源:Neurocomputing 6.5

编辑推荐:

  研究人员提出了一种面向多元时间序列(MTS)聚类的熵正则对数自适应谱聚类框架(Entropy-Regularized Logarithmic Adaptive Spectral Clustering, ERL-ASC),旨在解决现有方法在处理变量异质性时存在的

  
研究人员提出了一种面向多元时间序列(MTS)聚类的熵正则对数自适应谱聚类框架(Entropy-Regularized Logarithmic Adaptive Spectral Clustering, ERL-ASC),旨在解决现有方法在处理变量异质性时存在的权重退化与尺度依赖问题。该方法首先基于带Sakoe-Chiba约束的动态时间规整距离(DTW-SC)为每个变量独立构建归一化拉普拉斯矩阵,随后引入可学习的变量级权重以实现多变量信息的自适应融合。为避免权重集中于单一变量,研究人员在目标函数中加入变量重要性权重的熵正则项,鼓励多变量协同参与聚类。同时,通过对每个变量的谱聚类损失进行对数映射,实现尺度不变性,使得权重由相对判别质量而非绝对损失值决定。与现有将熵正则应用于样本级相似度分配的方法不同,ERL-ASC针对MTS的变量级加权问题设计优化目标,并推导出变量权重的闭式更新规则,可在交替优化框架下高效求解并保证收敛。实验结果表明,ERL-ASC在十个基准数据集上取得了最优的平均兰德指数(RI)、调整兰德指数(ARI)及归一化互信息(NMI),在聚类精度、稳定性与可解释性方面均优于现有先进方法。消融实验验证了熵正则项和对数映射对性能提升的必要性。
研究背景方面,多元时间序列数据广泛应用于环境监测、金融、医疗等领域,其高维异构特性使得传统聚类方法难以有效揭示潜在结构。现有方法多采用统一或静态权重融合变量信息,忽视了变量在统计特性与判别贡献上的差异,导致次优结果。此外,多视图谱聚类方法未充分考虑时间序列的时序依赖,且在权重优化中易陷入权重退化问题。为此,研究人员开发了ERL-ASC框架,通过变量级自适应加权融合与正则化策略,提升聚类性能与可解释性。该研究成果发表于《Neurocomputing》。
关键技术方法方面,研究人员首先在十个公开MTS基准数据集上开展实验,采用带Sakoe-Chiba约束的动态时间规整(DTW-SC)计算变量间距离,并构建变量级归一化拉普拉斯矩阵;其次,引入熵正则项防止权重集中于单一变量,并结合对数损失变换实现尺度不变性;最后,基于拉格朗日乘子法与KKT条件推导闭式权重更新公式,在交替优化框架下完成模型训练。
研究结果部分,摘要与引言已表明ERL-ASC在精度和稳定性上优于现有方法。在实验评估环节,研究人员在十个数据集上与十种先进方法对比,结果显示ERL-ASC在RI、ARI、NMI指标上均取得最佳均值,验证了其在不同应用场景下的泛化能力。收敛性分析与权重可视化进一步表明,熵正则与对数变换能够稳定优化过程,并使变量权重反映真实判别贡献。消融实验证明,去除任一组件都会导致性能下降,说明二者对模型至关重要。参数敏感性分析显示,模型在较宽的超参数范围内保持稳定。
讨论与结论部分,研究人员指出ERL-ASC填补了现有多视图谱聚类与时间序列聚类方法在变量级自适应融合方面的空白,其权重学习机制具有可解释性,并可推广至其他多变量时序分析任务。该方法通过结合DTW-SC距离、熵正则化与对数损失映射,实现了在不依赖人工调参的情况下自动识别关键变量,提升了聚类结果的可靠性与稳定性。这一成果为处理高维异构时间序列数据提供了新的理论工具与应用路径。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号