Till Örebro universitet

oru.seÖrebro universitets publikationer
Ändra sökning
RefereraExporteraLänk till posten
Permanent länk

Direktlänk
Referera
Referensformat
  • apa
  • ieee
  • modern-language-association-8th-edition
  • vancouver
  • Annat format
Fler format
Språk
  • de-DE
  • en-GB
  • en-US
  • fi-FI
  • nn-NO
  • nn-NB
  • sv-SE
  • Annat språk
Fler språk
Utmatningsformat
  • html
  • text
  • asciidoc
  • rtf
A review of unsupervised feature learning and deep learning for time-series modeling
Örebro universitet, Institutionen för naturvetenskap och teknik. (AASS)ORCID-id: 0000-0002-0579-7181
Örebro universitet, Institutionen för naturvetenskap och teknik. (AASS)ORCID-id: 0000-0002-0458-2146
Örebro universitet, Institutionen för naturvetenskap och teknik. (AASS)ORCID-id: 0000-0002-3122-693X
2014 (Engelska)Ingår i: Pattern Recognition Letters, ISSN 0167-8655, E-ISSN 1872-7344, Vol. 42, nr 1, s. 11-24Artikel, forskningsöversikt (Refereegranskat) Published
Abstract [en]

This paper gives a review of the recent developments in deep learning and unsupervised feature learning for time-series problems. While these techniques have shown promise for modeling static data, such as computer vision, applying them to time-series data is gaining increasing attention. This paper overviews the particular challenges present in time-series data and provides a review of the works that have either applied time-series data to unsupervised feature learning algorithms or alternatively have contributed to modifications of feature learning algorithms to take into account the challenges present in time-series data.

Ort, förlag, år, upplaga, sidor
Elsevier, 2014. Vol. 42, nr 1, s. 11-24
Nyckelord [en]
Time-series, Unsupervised feature learning, Deep learning
Nationell ämneskategori
Datavetenskap (datalogi)
Forskningsämne
Datavetenskap
Identifikatorer
URN: urn:nbn:se:oru:diva-34597DOI: 10.1016/j.patrec.2014.01.008ISI: 000333451300002Scopus ID: 2-s2.0-84894359867OAI: oai:DiVA.org:oru-34597DiVA, id: diva2:710518
Tillgänglig från: 2014-04-07 Skapad: 2014-04-07 Senast uppdaterad: 2018-01-11Bibliografiskt granskad
Ingår i avhandling
1. Modeling time-series with deep networks
Öppna denna publikation i ny flik eller fönster >>Modeling time-series with deep networks
2014 (Engelska)Doktorsavhandling, sammanläggning (Övrigt vetenskapligt)
Ort, förlag, år, upplaga, sidor
Örebro: Örebro university, 2014. s. 56
Serie
Örebro Studies in Technology, ISSN 1650-8580 ; 63
Nyckelord
multivariate time-series, deep learning, representation learning, unsupervised
Nationell ämneskategori
Data- och informationsvetenskap
Forskningsämne
Informationsteknologi
Identifikatorer
urn:nbn:se:oru:diva-39415 (URN)978-91-7529-054-6 (ISBN)
Disputation
2015-02-02, Hörsalen, Musikhögskolan, Örebro universitet, Fakultetsgatan 1, Örebro, 13:15 (Engelska)
Opponent
Handledare
Tillgänglig från: 2014-12-08 Skapad: 2014-12-08 Senast uppdaterad: 2018-04-05Bibliografiskt granskad

Open Access i DiVA

DLreview(1216 kB)18684 nedladdningar
Filinformation
Filnamn FULLTEXT02.pdfFilstorlek 1216 kBChecksumma SHA-512
6216db5552a49cc814e14d0eac9416db158a729bf44007cc4512c61dbff51ebb5adda82144472624c912aa9527482d3ee0bc47171194fdc9e81f149b5a3a25eb
Typ fulltextMimetyp application/pdf

Övriga länkar

Förlagets fulltextScopus

Person

Längkvist, MartinKarlsson, LarsLoutfi, Amy

Sök vidare i DiVA

Av författaren/redaktören
Längkvist, MartinKarlsson, LarsLoutfi, Amy
Av organisationen
Institutionen för naturvetenskap och teknik
I samma tidskrift
Pattern Recognition Letters
Datavetenskap (datalogi)

Sök vidare utanför DiVA

GoogleGoogle Scholar
Totalt: 19043 nedladdningar
Antalet nedladdningar är summan av nedladdningar för alla fulltexter. Det kan inkludera t.ex tidigare versioner som nu inte längre är tillgängliga.

doi
urn-nbn

Altmetricpoäng

doi
urn-nbn
Totalt: 3078 träffar
RefereraExporteraLänk till posten
Permanent länk

Direktlänk
Referera
Referensformat
  • apa
  • ieee
  • modern-language-association-8th-edition
  • vancouver
  • Annat format
Fler format
Språk
  • de-DE
  • en-GB
  • en-US
  • fi-FI
  • nn-NO
  • nn-NB
  • sv-SE
  • Annat språk
Fler språk
Utmatningsformat
  • html
  • text
  • asciidoc
  • rtf