调研

• NIPS19 - Learning Representations for Time Series Clustering

流程

1. 本质上是在隐空间内学习一个利于分簇的表征，然后利用该表征结合传统的聚类方法，做聚类任务
   1. 使用auto-encoder的结构，求得时间序列在隐空间中的表达
   2. 为了使得encoder出的结果更适合于执行聚类任务，使用k-means建模了隐空间中的数据（本质上是无监督的优化类间距离与类内距离），这个过程中使用了可微分的k-means loss
   3. 为了使得encoder更具有表征能力，添加了一项任务，即分类任务，使用一个子网络来分类encoder编码的真实数据与假数据。
2. 使用UCR聚类任务评估效果

我认为的缺点

1. K-means的隐空间建模能力远弱与GMM