Coresets for Time Series Clustering
时间序列聚类的核心集构造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：摘要研究具有自相关的时间序列聚类及其似然目标近似，提供时间序列方法的直接依据，但未限定宏观应用。
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…
时间序列聚类的核心集构造
- 研究问题
- 对于具有自相关的高斯混合时间序列，能否构造保持最大似然目标近似精度的小型核心集，使其规模不随实体数和观测长度增长？
- 方法与思路
- 作者针对具有多个聚类的高斯混合模型设计核心集算法，在协方差矩阵有界性假设下分析规模，并用合成数据评估表现。
- 材料陈述的贡献
- 摘要称核心集规模独立于实体数和各实体观测数，仅多项式依赖聚类数、维度与误差参数倒数，并给出高效构造算法。
- 阅读关注点
- 应核对自相关结构、协方差有界条件、似然目标的近似保证，以及核心集规模、运行时间和误差之间的实际权衡。
- 阅读边界
- 这是 arXiv 预印本，同行评审或接收未核实。摘要只说明合成数据评估，未给出具体误差结果，也未展示经济数据应用。
原文摘要
We study the problem of constructing coresets for clustering problems with time series data. This problem has gained importance across many fields including biology, medicine, and economics due to the proliferation of sensors facilitating real-time measurement and rapid drop in storage costs. In particular, we consider the setting where the time series data on $N$ entities is generated from a Gaussian mixture model with autocorrelations over $k$ clusters in $\mathbb{R}^d$. Our main contribution is an algorithm to construct coresets for the maximum likelihood objective for this mixture model. Our algorithm is efficient, and under a mild boundedness assumption on the covariance matrices of the underlying Gaussians, the size of the coreset is independent of the number of entities $N$ and the number of observations for each entity, and depends only polynomially on $k$, $d$ and $1/\varepsilon$, where $\varepsilon$ is the error parameter. We empirically assess the performance of our coreset with synthetic data.