我正在寻找有关以下方面的最新方法的概述
在时间数据中找到时间模式（任意长度）
并且不受监督（无标签）。
换句话说，给定一系列（可能是高维）数据的蒸汽/序列，您如何找到最能捕获结构中那些结构的常见子序列？
数据。
欢迎提供任何指向近期发展或论文（希望超出HMM）的指针！
这个问题也许很好理解
在更特定的应用程序域中，例如
动作捕捉
语音处理
自然语言处理
游戏动作序列
股市预测？
此外，其中一些方法是否足以应付
嘈杂的数据
层次结构
时间轴上的间距不规则
（我对检测已知模式，对序列进行分类或分段都不感兴趣。）
最佳答案
最近，人们对非参数HMM，无穷状态空间的扩展以及阶乘模型进行了很多强调，它们解释了使用一组因子而不是单个混合分量的观察结果。
这里有一些有趣的论文开始（只是谷歌的论文名称）：
“无限隐马尔可夫模型的光束采样”
“无限阶乘隐马尔可夫模型”
“切换动态线性模型的贝叶斯非参数推断”
“在具有Beta流程的动态系统之间共享功能”
这些论文的实验部分讨论了文本建模，说话者二值化和动作捕捉等方面的应用。
关于machine-learning - 关于时间数据的无监督学习的最新技术是什么？，我们在Stack Overflow上找到一个类似的问题：https://stackoverflow.com/questions/11854154/