Clasificación temporal: ampliando el paradigma de clasificación a series de tiempo multivariantes

La investigación en aprendizaje automático ha ignorado, en gran medida, un aspecto importante de muchas aplicaciones del mundo real: el tiempo. Los aprendices de conceptos existentes operan predominantemente en un conjunto estático de atributos; por ejemplo, clasificar flores descritas por el tamaño de las hojas, el color de los pétalos y el conteo de pétalos. Se asume que los valores de estos atributos son inmutables: la flor nunca crece ni pierde hojas. Sin embargo, muchos conjuntos de datos reales no son "estáticos"; no pueden representarse de manera sensata como un conjunto fijo de atributos. Más bien, los ejemplos se expresan como características que varían temporalmente, y es la variación temporal en sí la que se utiliza para la clasificación. Considere un dominio simple de reconocimiento de gestos, en el que las características temporales son la posición de las manos, las flexiones de los dedos, y así sucesivamente. Mirar la posición de la mano en un momento dado no probablemente conducirá a una clasificación exitosa; solo al analizar los cambios en la posición es posible el reconocimiento. Esta tesis presenta una nueva técnica para la clasificación temporal. Al extraer