ترجمه فارسی مقاله تصادفی: سری زمانی خوشه بندی با استفاده از شبکه های عصبی عمیق آموزش دیده

چکیده

Neural networks are widely used in machine learning and data mining. Typically, these networks need to be trained, implying the adjustment of weights (parameters) within the network based on the input data. In this work, we propose a novel approach, RandomNet, that employs untrained deep neural networks to cluster time series. RandomNet uses different sets of random weights to extract diverse representations of time series and then ensembles the clustering relationships derived from these different representations to build the final clustering results. By extracting diverse representations, our model can effectively handle time series with different characteristics. Since all parameters are randomly generated, no training is required during the process. We provide a theoretical analysis of the effectiveness of the method. To validate its performance, we conduct extensive experiments on all of the 128 datasets in the well-known UCR time series archive and perform statistical analysis of the results. These datasets have different sizes, sequence lengths, and they are from diverse fields. The experimental results show that the proposed method is competitive compared with existing state-of-the-art methods.

چکیده به فارسی (ترجمه ماشینی)

شبکه های عصبی به طور گسترده در یادگیری ماشین و داده کاوی مورد استفاده قرار می گیرند.به طور معمول ، این شبکه ها باید آموزش ببینند و این امر حاکی از تنظیم وزن (پارامترها) در شبکه بر اساس داده های ورودی است.در این کار ، ما یک رویکرد جدید ، RandomNet را پیشنهاد می کنیم که از شبکه های عصبی عمیق آموزش دیده برای سری های زمانی خوشه استفاده می کند.RandomNet از مجموعه های مختلفی از وزنهای تصادفی برای استخراج بازنمایی های متنوع از سری های زمانی استفاده می کند و سپس روابط خوشه بندی حاصل از این بازنمودهای مختلف را برای ایجاد نتایج خوشه بندی نهایی انجام می دهد.با استخراج بازنمایی های متنوع ، مدل ما می تواند به طور موثری سری های زمانی را با خصوصیات مختلف اداره کند.از آنجا که تمام پارامترها به طور تصادفی تولید می شوند ، در طی فرایند هیچ آموزش لازم نیست.ما یک تحلیل نظری از اثربخشی روش ارائه می دهیم.برای اعتبارسنجی عملکرد آن ، ما آزمایش های گسترده ای را در مورد تمام 128 مجموعه داده در بایگانی معروف سری UCR انجام می دهیم و تجزیه و تحلیل آماری از نتایج را انجام می دهیم.این مجموعه داده ها دارای اندازه های مختلف ، طول توالی هستند و از زمینه های متنوع هستند.نتایج تجربی نشان می دهد که روش پیشنهادی در مقایسه با روشهای پیشرفته موجود ، رقابتی است.