Few-shot time series segmentation using prototype-defined infinite hidden Markov models
基于原型定义的无限隐马尔可夫模型：小样本时间序列分段AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要直接提出非平稳时间序列分段与隐马尔可夫动态方法，应用场景为生物医学。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
基于原型定义的无限隐马尔可夫模型：小样本时间序列分段
- 研究问题
- 如何利用少量样本对非平稳序列进行可解释的分段与状态分析，同时表达复杂观测模式和高层次的马尔可夫动态？
- 方法与思路
- 作者以原型指定径向基函数神经网络的发射结构，将其嵌入无限隐马尔可夫模型，并通过脑电信号中的自动癫痫检测展示用途。
- 材料陈述的贡献
- 摘要称，该框架连接原型小样本学习与隐马尔可夫动态；脑电应用达到当时先进表现，所需训练数据少于所比较的序列自编码器。
- 阅读关注点
- 应核对原型如何选择、隐状态及状态数量如何推断、非平稳性如何表达，以及数据划分、训练样本量与性能比较是否可比。
- 阅读边界
- 所给版本为 arXiv 预印本，不能据此确认同行评审或期刊接收；摘要未说明理论保证、具体性能数值或经济序列适用性。
原文摘要
We propose a robust framework for interpretable, few-shot analysis of non-stationary sequential data based on flexible graphical models to express the structured distribution of sequential events, using prototype radial basis function (RBF) neural network emissions. A motivational link is demonstrated between prototypical neural network architectures for few-shot learning and the proposed RBF network infinite hidden Markov model (RBF-iHMM). We show that RBF networks can be efficiently specified via prototypes allowing us to express complex nonstationary patterns, while hidden Markov models are used to infer principled high-level Markov dynamics. The utility of the framework is demonstrated on biomedical signal processing applications such as automated seizure detection from EEG data where RBF networks achieve state-of-the-art performance using a fraction of the data needed to train long-short-term memory variational autoencoders.