详细内容或原文请订阅后点击阅览
利用周期性实现多模态情绪模式模型的稳健性
*平等贡献者来自可穿戴传感器的数据（例如心率、步数）可用于模拟情绪模式。我们使用多模态离散时间序列数据表征特征表示和建模策略，使用具有自然缺失的大型数据集（n=116,819 名参与者）进行情绪模式分类，使用 12 个可穿戴数据流，重点是捕捉数据的周期性趋势。综合考虑性能和鲁棒性，基于周期性的具有梯度提升模型的聚合特征表示优于其他表示和架构……
来源:Apple机器学习研究*平等贡献者
来自可穿戴传感器的数据（例如心率、步数）可用于模拟情绪模式。我们使用多模态离散时间序列数据表征特征表示和建模策略，使用具有自然缺失的大型数据集（n=116,819 名参与者）进行情绪模式分类，使用 12 个可穿戴数据流，重点是捕捉数据中的周期性趋势。考虑到性能和稳健性，基于周期性的具有梯度提升模型的聚合特征表示优于所研究的其他表示和架构。与时间统计相比，使用周期性特征可以提高模型性能，并且与深度学习时间序列模型相比，梯度提升模型对缺失和缺失分布的变化更具稳健性。