Kernel-Based Approaches to AnalyzeTime-Varying Data

Abstract

El desarrollo de sistemas de aprendizaje máquina utilizando datos variantes en el tiempo requiere considerar la propiedades estacionarias y lineales de los datos de entrada. En éste trabajo, algunas aproximaciones Kernel son presentadas para revelar las dinámicas principales de los datos, mejorando así el rendimiento en el agrupamiento y la clasificación. En éste sentido, un enfoque de descomposición de datos basado en representaciones Kernel y análisis de relevancia es desarrollado para capturar las dinámicas principales de datos variantes en el tiempo. Además, una metodología de representacion de los datos basada en filtros adaptativos Kernel es propuesta para inferir la estructura temporal así como las relaciones no lineales entre las muestras. La metodología propuesta, revela las dinámicas principales de series de tiempo de múltiples canales codificando dependencias entre canales a lo largo del tiempo. Finalmente, un nuevo esquema de filtro adaptativo cuantizado es construído como una herramienta para mejorar el rendimiento de la metodología propuesta de representación de los datos. Nuestra estrategia de cuantización considera las relaciones de los datos de entrada y el rendimiento del filtro adaptativo. Los enfoques Kernel propuestos son validados en datos sintéticos y bases de datos reales. Por lo cual, algunos análisis de actividades humanas son llevados a cabo utilizando bases de datos Motion Capture. Además, bases de datos de actividad cerebral son utilizadas para soportar tareas de BMI. En general, nuestros enfoques son eficientes y competitivos para soportar procedimientos de aprendizaje máquina y para resaltar las dinámicas principales de datos variantes en el tiempo

Abstract : Developing machine learning systems from time-varying data requires to consider both the stationary/non-stationary and the linear/non-linear input data properties. In this work, some kernel-based approaches are presented to reveal the data main dynamics, enhancing the samples interpretability and the performance of clustering, classification, and regression systems. Regarding this, a data decomposition approach based on Kernel representations and relevance analysis is developed to capture the main dynamics of time-varying data. Moreover, a data representation methodology based on Kernel adaptive filtering frameworks is proposed to infer data temporal structure as well as non-linear relations among samples. In this sense, such a methodology reveals the main dynamics of multi-channel time series by encoding inter-channel dependencies along time. Finally, a new adaptive filtering quantization scheme is build as a tool to enhance the proposed data representation methodology performance. Our quantization strategy considers both the input data relations and the adaptive filtering performance. Proposed kernel-based approaches are tested in synthetic and real-world datasets. Hence, some human activity analysis experiments are carried out using Motion Capture Databases. Moreover, brain activity databases are also tested to support BMI tasks. Overall, our approaches are efficient and competitive to support machine learning procedures and to highlight the main dynamics of time-varying data