Upload
andrey-bogomolov
View
146
Download
2
Tags:
Embed Size (px)
Citation preview
GENERALIZED COMPRESSIONDICTIONARY DISTANCE
AS UNIVERSAL SIMILARITY MEASURE
Andrey Bogomolov 1 Bruno Lepri 2 Fabio Pianesi 2
1University of TrentoVia Sommarive, 5, I-38123 Povo - Trento, Italy
2Fondazione Bruno KesslerVia Sommarive, 18, I-38050 Povo - Trento, Italy
2014 Big Data From Space Conference,BiDS ’14, November 12-14, 2014, Frascati, Rome, Italy.
1 / 38
Outline
IntroductionProblem Statement
Methodology: state-of-the-artComplexity based similarityApproximating Kolmogorov complexity?
Methodology: ResultsFindingsContribution - GCDD
Experimental Results and DiscussionDataSimilarity functions - computationally intensiveSimilarity functions - fastVisualizing results
Implications and Summary
2 / 38
Problem Statement
Why?
I Time series similarity - solved?I Algorithmic complexityI Is applicable for Big Data?
What we contribute
I New similarity measure - GCDDI Method based on information theoretic measures
(approximating Kolmogorov Complexity?)
3 / 38
Kolmogorov complexity based similarity
Normalized Information Distance
NID(x , y) =maxK (x |y),K (y |x)
maxK (x),K (y)
Cilibrasi and Vitanyi, 2005
4 / 38
Approximating NID
Normalized Compression Distance
NCD(x , y) =C(xy)−minC(x),C(y)
maxC(x),C(y)
Li et al, 2004-2005
5 / 38
Approximating NID
Speeding up?
FCD(x , y) =|D(x)| − ∩(D(x),D(y))
|D(x)|,
Daniele Cerra and Mihai Datcu, 2012
|D(x)| and |D(y)| are the sizes of the relative dictionaries,represented by the number of entries they contain∩(D(x),D(y)) is the number of patterns which are found in bothdictionaries.
6 / 38
NCD limitation
Properties
I number of patterns which exist in the both dictionaries is dependent onthe compression algorithm used
I dictionary of x and y set intersection could be coded with differentsymbols/bytes
I frequencies of strings could be different in x , y and ∩(x , y), which leadsto less accurate approximation
I the size of a compression dictionary does not account for the symbolfrequency
I we loose a lot of information about x and y if we compute only the sizeof a compression dictionary
7 / 38
GCDD
Contributed Solution
In order to overcome this problem we introduce GeneralizedCompression Dictionary Distance (GCDD) metric, which isdefined as:
GCDD(x , y) =φ(x · y)−minφ(x), φ(y)
maxφ(x), φ(y),
φ(x · y) – functional characteristics of the compressiondictionary extracted from concatination of x and y byte arrays.GCDD returns an n-dimensional vector, which characterizesthe conditional similarity measure between x and y .Each dimension of GCDD - real valued function
8 / 38
Algorithmic Complexity
Contributed Solution
The algorithmic complexity of the proposed solution isproportional to:
OGCDD(x ,y) → kmx log my ,
mx and my are the dictionary size of x and y , and k is theconstant dependent on the dimensionality of the resultingvector.
9 / 38
Algorithmic Complexity
Competitors’ algorithmic complexity
In comparison, the algorithmic complexity of the othermeasures are:
OFCD(x ,y) → mx log my ,
ONCD(x ,y) → (nx + ny ) log(mx + my ),
10 / 38
Experimental Results and Discussion
Data
I “Synthetic Control Chart Time Series”I well known dataset published in UCI Machine Learning Repository,
2007I control charts synthetically generated by Alcock and Manolopoulos,
1999
Six different classes of time series
I normalI cyclicI increasing trendI decreasing trendI upward shiftI downward shift
11 / 38
Similarity functions - computationally intensive
State-of-the-art intensive methods
I Autocorrelation based methodI Linear Predictive Coding based, Kalpakis 2001I Adaptive Dissimilarity Index based, Chouakria 2007I ARIMA based, Piccolo 1990
12 / 38
Similarity functions - fast
“Fast” methods
I GCDD basedI NCD basedI L2 norm basedI Correlation based
13 / 38
Experimental Results
Fast Methods Comparison
−0.15 −0.10 −0.05 0.00 0.05 0.10 0.15
−0.2
−0.1
0.0
0.1
GCDD based dissimilarity matrix projection
N N NNN
N
N
NN N
NN
NN
N
NNN
N N
NN
N
NN
NNN
N N
NNN
NN
N
N
NN
N
N
NN N
NN
NN NN
NNN NN
NNN
NN
NN
N
N N
N
NNN
NNN
N
NN
N
N
N
NN
N N
NN
NN
NNNN
NN
NN
N
NN
N
N
N
CC
CC
C
C
C
C
CC
C
C
C
C
C
CC
CC
C
C
C
C
CC
C
C
CC
C
C
C
CC
C
C
C
C
C
C C
CCC
C
C
C
CC
C
CC
CC
C
C
C
C
CC
C
C
CC
CC
CCC
CCC
C
C
C CC
CC CC
C
C
CC
C
C CC
C
CC
C
C
C
C CC
CC
ITIT
ITIT
IT
IT
ITITIT
IT
IT
IT
IT
IT
IT
IT
IT
IT
IT
ITIT
IT
IT
IT
ITIT
IT
ITIT
ITITIT
IT
ITIT IT
ITIT
ITITIT
IT
IT
ITIT
IT
IT
ITIT
IT
IT
ITITIT
IT
IT
ITITIT
IT
ITIT
IT
ITIT
ITIT
ITITITITIT
ITIT
IT
IT
IT IT
IT
IT
IT
IT
ITIT
IT
IT
ITIT ITIT
ITITIT
IT
IT
IT
IT
IT
IT
IT
DT
DT
DT
DT
DT DT
DT
DTDT
DTDT
DT
DTDT
DT
DT
DT
DT
DTDTDT
DT
DT
DT
DTDT
DTDTDTDT
DT
DT
DT
DT
DT
DT
DT
DT
DT
DTDT
DTDT
DTDT
DT
DTDT
DT
DT DTDT
DT
DT
DT
DT
DT
DTDT
DT
DT DT
DT
DT
DT
DT
DTDT
DTDT
DTDT
DT
DT
DT
DT
DT
DT
DT
DT
DT
DT
DT
DTDT
DT
DT
DT
DT
DT
DT
DT
DT
DT
DT
DT
DT
DT DTDT
US
US US
US
US
USUS
US
US
US
US US
USUS
US USUS
US
US US
US
US
US
USUS
USUS
US
US US
US
US
USUS
US
US
US
US
US
US
USUS
US
US
US
US
US US
US
US
US
US
US
US
US
US
US
USUS
US
USUSUS
US
USUS
USUSUS
US
USUS
US
US
US
US USUS
US
US
US
US
USUS
US
US
USUS
US
USUS
US
US
US
USUS
US
US
US
US
DS
DS
DS
DS
DS
DS
DS
DS
DS
DS
DS
DS
DS
DS
DS
DS
DS
DS
DSDS
DS
DSDS DS
DS
DS
DS
DSDSDS
DS
DS
DSDS
DS
DS
DS
DS
DS
DS
DSDS
DS
DS
DS
DS
DS
DS
DSDS
DS
DSDS
DSDSDSDS
DS
DS
DS
DS
DSDSDS
DSDS
DS DS
DS
DSDS
DS
DS
DS
DS
DS
DS
DS
DS
DSDS
DS
DSDS
DSDS
DSDSDS
DS
DS
DS
DS
DSDS
DSDS
DS
DS
DS
−0.15 −0.10 −0.05 0.00 0.05 0.10 0.15
−0.10
−0.05
0.00
0.05
0.10
0.15
NCD based dissimilarity matrix projection
NNNN
NNNN
N
N
NNN
N
NN
N N NNN
N
N
N
NN
N
N
N
N
NN
N
N
N
NN
N
N
N
N N
N
NNN
N
N
N
N
N
NN
N
NN
NN
NN
NN
N
NN
N
NNNN NNNN
NNNN
N
N
N
NN
N N
N
N
NNN
NN
N
N
NNNNNN
CC
C
C
C
C
C C
C
C
C
C
C
C
C
C
C
C C
C
C
C
C
C
C
C
C
CC
C
CC
C
C C
C
CC
C
CC
C
CC
C
C
CC
C
C
C
C
CC
C
CC
C
C
C
C
C
CCC
C
C
C
C
C C
C
C
CC
C
C
C
C
CCC
C
CC
C
CCC
C
C
C
C
C
C
C
C
C
C
C
ITIT
IT
IT
IT
IT
IT
IT
IT
IT
IT
IT
IT
IT
IT IT
IT
IT
IT
IT
IT
IT
IT
IT
IT
IT
IT
IT IT
ITITIT
ITIT
IT IT
IT
IT
IT
IT
IT
IT
ITIT
IT
IT
ITIT
IT
IT
IT
IT
IT
IT
IT
IT
IT
IT
IT
IT
ITIT
IT
ITIT
IT
IT
ITITIT
ITIT
IT
IT
IT
IT
ITIT
IT
IT
IT
IT
IT
IT
IT
ITIT
IT
IT
IT IT
IT
IT
IT
IT
IT
IT
IT
IT
IT
DT
DTDT
DT
DTDT
DT
DT
DT
DTDT DT
DT
DT
DTDT
DT
DT
DT
DT
DT DT
DT
DT
DT
DT
DT DT
DT DT
DT
DT
DT
DT
DT
DT
DT
DT
DT
DT
DT
DT
DT
DT
DTDT
DT
DTDT
DT
DT
DT
DT
DT
DT
DT
DT
DTDTDT
DT
DT
DT
DT
DT
DT
DTDT
DTDT
DTDT
DT
DT
DTDT
DTDT
DTDT
DT
DT
DT
DT
DT
DT
DT
DT
DT
DT
DT
DT
DT
DT
DT
DT
DT
DT
DT
DT
US
US
US
USUS
US
US
US
US
US
US
US
US
US
US
US
US
US
US
USUS
US
US
US
US
USUS
USUS
US
US US
US
US
US
US
US
US
US
US
US
US
US
US
US
US
US
US
US
USUSUS
US
US
US
US
USUS
US
US
US
USUS
US
USUS
US
USUSUS
US
US
US
US
US
US USUS
US
US
US
US
USUS US
USUS
USUS
USUS
US
US
US
US
US
US
US
USUS DS
DS
DS
DS
DS
DS
DS
DS
DS
DS
DS
DS
DS
DS
DSDS DS
DS
DS
DS
DS
DSDS
DS
DS
DS
DSDS
DS
DS
DS
DS
DS
DS
DS
DS
DS
DSDS
DSDSDS
DSDS
DSDS
DS
DS
DSDS
DS
DSDS
DS
DS
DS
DS
DS
DSDS
DS
DSDS
DS
DS
DS
DS
DS
DS
DS
DS
DS
DS
DS
DS
DS
DS
DS
DS
DS
DS
DS
DSDS
DS
DS
DS
DS
DS
DS
DSDS
DS
DSDS
DSDS
DS
DS
DS
−100 −50 0 50 100
−80
−60
−40
−20
020
40
L2 norm based dissimilarity matrix projection
NNNN N
NN NN NN N
NNNN
N
N
N N
NNNN NNN
N
NN
N
NNNNNN
N
N
N
NNNNN
NNNN
N
NNNN
NNN
N
N
NNN
NNN
N
N
N
N NNNN
N
NNNNNNN
N
NNNNNN
N
NNNNNNNNN
NN
C
C
C
C
C
CC
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C CC
C
C
C
C
C
C
C
C
C
C
C
C C
C
C
C
C
CC
C
C
C
C
C
C
C
C C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
CC
C
C
C
C
ITITIT
ITIT
IT IT
IT ITITIT
IT ITIT
IT ITIT ITIT
IT
IT
ITIT
IT
IT
ITIT
ITIT
ITIT
ITIT
ITITIT IT
ITIT ITITIT
ITIT
ITIT
IT
ITIT
IT ITIT
IT ITIT
ITIT
ITIT
ITITITIT
ITITIT ITITIT
ITIT
ITIT
IT
ITIT ITIT
IT
IT ITIT
ITIT ITIT
ITIT
IT
IT
IT
ITIT
IT
ITITIT IT
ITIT
DT
DT
DT
DT DTDTDTDT
DTDTDT
DT
DTDT
DT
DT DTDT
DTDTDTDT
DT
DT
DTDT
DTDT
DT
DT
DT
DT DTDTDT
DTDTDT DTDT
DTDT
DT DTDT
DTDT
DT
DT
DTDT
DTDT DTDT
DTDT
DT
DT
DTDTDTDT DT
DTDTDT
DT
DT
DT DTDTDTDT DT DT
DT
DT
DTDT
DTDTDT
DTDTDT
DTDTDT DT
DT
DTDT
DT
DT
DT
DTDT DT
DTUS
US
US
USUS
US
USUSUS
USUS
US
US USUS
USUSUS
US
USUS
US
USUS
USUS
USUS US
US USUS US
USUS
USUSUS
USUSUS
US US
US
USUSUS
US
US
USUSUS USUS US
US
US
USUS US
USUS
US
US
US
US
USUS
US USUS
US
US
US
US
US
US
US
USUS
US
US
US
US
USUS USUSUS
USUS
US
US
USUS
USUS
USUSUS
DS
DSDS
DS
DS
DS
DSDS
DSDSDSDS
DS
DS
DSDS
DSDSDSDSDSDS
DS
DS
DSDS
DS DS
DS
DS DSDS
DS
DS
DS
DSDSDS
DSDS
DS
DS
DS
DS
DSDSDS
DSDS
DSDS
DS
DS
DSDSDSDS
DS
DSDS
DSDSDS
DSDS DS
DSDS
DSDSDS
DS DSDS
DSDS
DS
DS
DS
DS
DS
DS
DS
DSDS
DS
DS
DSDS
DS
DSDS
DSDS
DS
DSDSDSDS
DS
−1.0 −0.5 0.0 0.5
−0.8
−0.6
−0.4
−0.2
0.0
0.2
0.4
Correlation based dissimilarity matrix projection
N
NN
NN
N
N
N
NN
N
N
N
NN
N
N
N
N
N
N N
NN
NN
N
N
N
N
N
N
NN
N
N
N
N
N
N
N
NN
NN
N
N NN
N
N
NNN
N
NN
N
N
N
N
N
NN
N
N
N
N
N
N
N
NN
N
NN
N
N
N
N
N
N
NN
N
N
NN
N
N
N
N
N
N
N
N
N
N
N
N
C
C
C
C
C
C
C
C
C
C
C
C
C
CC
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
CC
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
CC C
C
C
C
C
C
C
C
C
C
CC
CC
C
C
C
C
CC
C
C
C
C
C
C
C
CC
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
ITIT
ITIT
IT
ITIT
ITITIT
ITITIT
ITIT
IT ITIT
IT
IT
IT
IT
IT
IT
IT
IT
IT
IT
IT
IT
IT
IT
IT
IT
ITITIT
ITITITITIT
IT
ITIT
IT
IT
IT
ITIT
IT
IT
ITIT
IT
ITIT
ITIT
IT
IT
ITIT
ITITITIT IT
IT
IT
IT
IT
IT
IT
IT ITIT
IT
IT
ITITITITITIT
IT
ITIT
IT
IT
IT
ITIT
IT
IT
ITIT
IT
IT
IT DT
DT
DT
DTDT
DTDT
DT
DT DT
DT
DT
DTDT
DT
DTDT DT
DTDTDT
DT
DT
DT
DT
DT
DT
DT
DT
DT
DT
DTDT
DT DTDTDTDT
DT DTDT
DTDTDT
DT
DT
DT
DT
DT
DTDT
DTDTDT
DT
DTDT
DT
DT
DT
DT
DTDTDT
DT
DTDTDT
DT
DTDTDT
DTDT
DTDT
DT
DT
DT
DTDTDT
DT
DT DTDT
DT
DTDT
DT
DT
DTDT
DT
DT
DT
DT
DTDT
DT
US
US
USUS
US
US
USUS
US
US
US
US
USUS
US
US
USUS
US
USUS
US
US
US
US
US
US
US
US
US
US USUS
US
US
US
US
US
US
USUS
USUS
US
USUS US
US
US
USUS
USUS
USUSUSUS
US
USUS
US
US
US
US
US
US
USUS
USUS
US
US
US
US
US
US
US
US
US
US
US
US
US
US
US
US
USUS
USUS
US
US
US
USUS
USUS
US
US
US
DS
DSDS
DS
DS
DS
DS
DS
DSDSDS
DSDS
DS
DS
DS
DS
DS
DS
DSDS
DSDS
DSDSDSDS
DS
DSDS
DSDS
DS
DS
DS
DS
DSDS
DS
DS
DS
DS
DS
DS
DS
DS
DS
DSDS
DS
DS
DS
DS
DS
DSDSDS
DS
DS
DSDS
DS
DSDSDS
DS
DSDSDS
DSDS
DSDS
DSDS
DS
DS
DS
DS
DSDS
DS
DS
DS
DS
DS
DS
DS
DS
DS
DS
DS
DSDS
DSDS
DS
DS
DS
DS
14 / 38
Experimental Results
Fast Methods Comparison−0.15 −0.10 −0.05 0.00 0.05 0.10 0.15
−0.2
−0.1
0.0
0.1
GCDD based dissimilarity matrix projection
N N NNN
N
N
NN N
NN
NN
N
NNN
N N
NN
N
NN
NNN
N N
NNN
NN
N
N
NN
N
N
NN N
NN
NN NN
NNN NN
NNN
NN
NN
N
N N
N
NNN
NNN
N
NN
N
N
N
NN
N N
NN
NN
NNNN
NN
NN
N
NN
N
N
N
CC
CC
C
C
C
C
CC
C
C
C
C
C
CC
CC
C
C
C
C
CC
C
C
CC
C
C
C
CC
C
C
C
C
C
C C
CCC
C
C
C
CC
C
CC
CC
C
C
C
C
CC
C
C
CC
CC
CCC
CCC
C
C
C CC
CC CC
C
C
CC
C
C CC
C
CC
C
C
C
C CC
CC
ITIT
ITIT
IT
IT
ITITIT
IT
IT
IT
IT
IT
IT
IT
IT
IT
IT
ITIT
IT
IT
IT
ITIT
IT
ITIT
ITITIT
IT
ITIT IT
ITIT
ITITIT
IT
IT
ITIT
IT
IT
ITIT
IT
IT
ITITIT
IT
IT
ITITIT
IT
ITIT
IT
ITIT
ITIT
ITITITITIT
ITIT
IT
IT
IT IT
IT
IT
IT
IT
ITIT
IT
IT
ITIT ITIT
ITITIT
IT
IT
IT
IT
IT
IT
IT
DT
DT
DT
DT
DT DT
DT
DTDT
DTDT
DT
DTDT
DT
DT
DT
DT
DTDTDT
DT
DT
DT
DTDT
DTDTDTDT
DT
DT
DT
DT
DT
DT
DT
DT
DT
DTDT
DTDT
DTDT
DT
DTDT
DT
DT DTDT
DT
DT
DT
DT
DT
DTDT
DT
DT DT
DT
DT
DT
DT
DTDT
DTDT
DTDT
DT
DT
DT
DT
DT
DT
DT
DT
DT
DT
DT
DTDT
DT
DT
DT
DT
DT
DT
DT
DT
DT
DT
DT
DT
DT DTDT
US
US US
US
US
USUS
US
US
US
US US
USUS
US USUS
US
US US
US
US
US
USUS
USUS
US
US US
US
US
USUS
US
US
US
US
US
US
USUS
US
US
US
US
US US
US
US
US
US
US
US
US
US
US
USUS
US
USUSUS
US
USUS
USUSUS
US
USUS
US
US
US
US USUS
US
US
US
US
USUS
US
US
USUS
US
USUS
US
US
US
USUS
US
US
US
US
DS
DS
DS
DS
DS
DS
DS
DS
DS
DS
DS
DS
DS
DS
DS
DS
DS
DS
DSDS
DS
DSDS DS
DS
DS
DS
DSDSDS
DS
DS
DSDS
DS
DS
DS
DS
DS
DS
DSDS
DS
DS
DS
DS
DS
DS
DSDS
DS
DSDS
DSDSDSDS
DS
DS
DS
DS
DSDSDS
DSDS
DS DS
DS
DSDS
DS
DS
DS
DS
DS
DS
DS
DS
DSDS
DS
DSDS
DSDS
DSDSDS
DS
DS
DS
DS
DSDS
DSDS
DS
DS
DS
−0.15 −0.10 −0.05 0.00 0.05 0.10 0.15
−0.10
−0.05
0.00
0.05
0.10
0.15
NCD based dissimilarity matrix projection
NNNN
NNNN
N
N
NNN
N
NN
N N NNN
N
N
N
NN
N
N
N
N
NN
N
N
N
NN
N
N
N
N N
N
NNN
N
N
N
N
N
NN
N
NN
NN
NN
NN
N
NN
N
NNNN NNNN
NNNN
N
N
N
NN
N N
N
N
NNN
NN
N
N
NNNNNN
CC
C
C
C
C
C C
C
C
C
C
C
C
C
C
C
C C
C
C
C
C
C
C
C
C
CC
C
CC
C
C C
C
CC
C
CC
C
CC
C
C
CC
C
C
C
C
CC
C
CC
C
C
C
C
C
CCC
C
C
C
C
C C
C
C
CC
C
C
C
C
CCC
C
CC
C
CCC
C
C
C
C
C
C
C
C
C
C
C
ITIT
IT
IT
IT
IT
IT
IT
IT
IT
IT
IT
IT
IT
IT IT
IT
IT
IT
IT
IT
IT
IT
IT
IT
IT
IT
IT IT
ITITIT
ITIT
IT IT
IT
IT
IT
IT
IT
IT
ITIT
IT
IT
ITIT
IT
IT
IT
IT
IT
IT
IT
IT
IT
IT
IT
IT
ITIT
IT
ITIT
IT
IT
ITITIT
ITIT
IT
IT
IT
IT
ITIT
IT
IT
IT
IT
IT
IT
IT
ITIT
IT
IT
IT IT
IT
IT
IT
IT
IT
IT
IT
IT
IT
DT
DTDT
DT
DTDT
DT
DT
DT
DTDT DT
DT
DT
DTDT
DT
DT
DT
DT
DT DT
DT
DT
DT
DT
DT DT
DT DT
DT
DT
DT
DT
DT
DT
DT
DT
DT
DT
DT
DT
DT
DT
DTDT
DT
DTDT
DT
DT
DT
DT
DT
DT
DT
DT
DTDTDT
DT
DT
DT
DT
DT
DT
DTDT
DTDT
DTDT
DT
DT
DTDT
DTDT
DTDT
DT
DT
DT
DT
DT
DT
DT
DT
DT
DT
DT
DT
DT
DT
DT
DT
DT
DT
DT
DT
US
US
US
USUS
US
US
US
US
US
US
US
US
US
US
US
US
US
US
USUS
US
US
US
US
USUS
USUS
US
US US
US
US
US
US
US
US
US
US
US
US
US
US
US
US
US
US
US
USUSUS
US
US
US
US
USUS
US
US
US
USUS
US
USUS
US
USUSUS
US
US
US
US
US
US USUS
US
US
US
US
USUS US
USUS
USUS
USUS
US
US
US
US
US
US
US
USUS DS
DS
DS
DS
DS
DS
DS
DS
DS
DS
DS
DS
DS
DS
DSDS DS
DS
DS
DS
DS
DSDS
DS
DS
DS
DSDS
DS
DS
DS
DS
DS
DS
DS
DS
DS
DSDS
DSDSDS
DSDS
DSDS
DS
DS
DSDS
DS
DSDS
DS
DS
DS
DS
DS
DSDS
DS
DSDS
DS
DS
DS
DS
DS
DS
DS
DS
DS
DS
DS
DS
DS
DS
DS
DS
DS
DS
DS
DSDS
DS
DS
DS
DS
DS
DS
DSDS
DS
DSDS
DSDS
DS
DS
DS
−100 −50 0 50 100
−80
−60
−40
−20
020
40
L2 norm based dissimilarity matrix projection
NNNN N
NN NN NN N
NNNN
N
N
N N
NNNN NNN
N
NN
N
NNNNNN
N
N
N
NNNNN
NNNN
N
NNNN
NNN
N
N
NNN
NNN
N
N
N
N NNNN
N
NNNNNNN
N
NNNNNN
N
NNNNNNNNN
NN
C
C
C
C
C
CC
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C CC
C
C
C
C
C
C
C
C
C
C
C
C C
C
C
C
C
CC
C
C
C
C
C
C
C
C C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
CC
C
C
C
C
ITITIT
ITIT
IT IT
IT ITITIT
IT ITIT
IT ITIT ITIT
IT
IT
ITIT
IT
IT
ITIT
ITIT
ITIT
ITIT
ITITIT IT
ITIT ITITIT
ITIT
ITIT
IT
ITIT
IT ITIT
IT ITIT
ITIT
ITIT
ITITITIT
ITITIT ITITIT
ITIT
ITIT
IT
ITIT ITIT
IT
IT ITIT
ITIT ITIT
ITIT
IT
IT
IT
ITIT
IT
ITITIT IT
ITIT
DT
DT
DT
DT DTDTDTDT
DTDTDT
DT
DTDT
DT
DT DTDT
DTDTDTDT
DT
DT
DTDT
DTDT
DT
DT
DT
DT DTDTDT
DTDTDT DTDT
DTDT
DT DTDT
DTDT
DT
DT
DTDT
DTDT DTDT
DTDT
DT
DT
DTDTDTDT DT
DTDTDT
DT
DT
DT DTDTDTDT DT DT
DT
DT
DTDT
DTDTDT
DTDTDT
DTDTDT DT
DT
DTDT
DT
DT
DT
DTDT DT
DTUS
US
US
USUS
US
USUSUS
USUS
US
US USUS
USUSUS
US
USUS
US
USUS
USUS
USUS US
US USUS US
USUS
USUSUS
USUSUS
US US
US
USUSUS
US
US
USUSUS USUS US
US
US
USUS US
USUS
US
US
US
US
USUS
US USUS
US
US
US
US
US
US
US
USUS
US
US
US
US
USUS USUSUS
USUS
US
US
USUS
USUS
USUSUS
DS
DSDS
DS
DS
DS
DSDS
DSDSDSDS
DS
DS
DSDS
DSDSDSDSDSDS
DS
DS
DSDS
DS DS
DS
DS DSDS
DS
DS
DS
DSDSDS
DSDS
DS
DS
DS
DS
DSDSDS
DSDS
DSDS
DS
DS
DSDSDSDS
DS
DSDS
DSDSDS
DSDS DS
DSDS
DSDSDS
DS DSDS
DSDS
DS
DS
DS
DS
DS
DS
DS
DSDS
DS
DS
DSDS
DS
DSDS
DSDS
DS
DSDSDSDS
DS
−1.0 −0.5 0.0 0.5
−0.8
−0.6
−0.4
−0.2
0.0
0.2
0.4
Correlation based dissimilarity matrix projection
N
NN
NN
N
N
N
NN
N
N
N
NN
N
N
N
N
N
N N
NN
NN
N
N
N
N
N
N
NN
N
N
N
N
N
N
N
NN
NN
N
N NN
N
N
NNN
N
NN
N
N
N
N
N
NN
N
N
N
N
N
N
N
NN
N
NN
N
N
N
N
N
N
NN
N
N
NN
N
N
N
N
N
N
N
N
N
N
N
N
C
C
C
C
C
C
C
C
C
C
C
C
C
CC
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
CC
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
CC C
C
C
C
C
C
C
C
C
C
CC
CC
C
C
C
C
CC
C
C
C
C
C
C
C
CC
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
ITIT
ITIT
IT
ITIT
ITITIT
ITITIT
ITIT
IT ITIT
IT
IT
IT
IT
IT
IT
IT
IT
IT
IT
IT
IT
IT
IT
IT
IT
ITITIT
ITITITITIT
IT
ITIT
IT
IT
IT
ITIT
IT
IT
ITIT
IT
ITIT
ITIT
IT
IT
ITIT
ITITITIT IT
IT
IT
IT
IT
IT
IT
IT ITIT
IT
IT
ITITITITITIT
IT
ITIT
IT
IT
IT
ITIT
IT
IT
ITIT
IT
IT
IT DT
DT
DT
DTDT
DTDT
DT
DT DT
DT
DT
DTDT
DT
DTDT DT
DTDTDT
DT
DT
DT
DT
DT
DT
DT
DT
DT
DT
DTDT
DT DTDTDTDT
DT DTDT
DTDTDT
DT
DT
DT
DT
DT
DTDT
DTDTDT
DT
DTDT
DT
DT
DT
DT
DTDTDT
DT
DTDTDT
DT
DTDTDT
DTDT
DTDT
DT
DT
DT
DTDTDT
DT
DT DTDT
DT
DTDT
DT
DT
DTDT
DT
DT
DT
DT
DTDT
DT
US
US
USUS
US
US
USUS
US
US
US
US
USUS
US
US
USUS
US
USUS
US
US
US
US
US
US
US
US
US
US USUS
US
US
US
US
US
US
USUS
USUS
US
USUS US
US
US
USUS
USUS
USUSUSUS
US
USUS
US
US
US
US
US
US
USUS
USUS
US
US
US
US
US
US
US
US
US
US
US
US
US
US
US
US
USUS
USUS
US
US
US
USUS
USUS
US
US
US
DS
DSDS
DS
DS
DS
DS
DS
DSDSDS
DSDS
DS
DS
DS
DS
DS
DS
DSDS
DSDS
DSDSDSDS
DS
DSDS
DSDS
DS
DS
DS
DS
DSDS
DS
DS
DS
DS
DS
DS
DS
DS
DS
DSDS
DS
DS
DS
DS
DS
DSDSDS
DS
DS
DSDS
DS
DSDSDS
DS
DSDSDS
DSDS
DSDS
DSDS
DS
DS
DS
DS
DSDS
DS
DS
DS
DS
DS
DS
DS
DS
DS
DS
DS
DSDS
DSDS
DS
DS
DS
DS
15 / 38
Experimental Results
Fast Methods Comparison
−0.15 −0.10 −0.05 0.00 0.05 0.10 0.15
−0.2
−0.1
0.0
0.1
GCDD based dissimilarity matrix projection
N N NNN
N
N
NN N
NN
NN
N
NNN
N N
NN
N
NN
NNN
N N
NNN
NN
N
N
NN
N
N
NN N
NN
NN NN
NNN NN
NNN
NN
NN
N
N N
N
NNN
NNN
N
NN
N
N
N
NN
N N
NN
NN
NNNN
NN
NN
N
NN
N
N
N
CC
CC
C
C
C
C
CC
C
C
C
C
C
CC
CC
C
C
C
C
CC
C
C
CC
C
C
C
CC
C
C
C
C
C
C C
CCC
C
C
C
CC
C
CC
CC
C
C
C
C
CC
C
C
CC
CC
CCC
CCC
C
C
C CC
CC CC
C
C
CC
C
C CC
C
CC
C
C
C
C CC
CC
ITIT
ITIT
IT
IT
ITITIT
IT
IT
IT
IT
IT
IT
IT
IT
IT
IT
ITIT
IT
IT
IT
ITIT
IT
ITIT
ITITIT
IT
ITIT IT
ITIT
ITITIT
IT
IT
ITIT
IT
IT
ITIT
IT
IT
ITITIT
IT
IT
ITITIT
IT
ITIT
IT
ITIT
ITIT
ITITITITIT
ITIT
IT
IT
IT IT
IT
IT
IT
IT
ITIT
IT
IT
ITIT ITIT
ITITIT
IT
IT
IT
IT
IT
IT
IT
DT
DT
DT
DT
DT DT
DT
DTDT
DTDT
DT
DTDT
DT
DT
DT
DT
DTDTDT
DT
DT
DT
DTDT
DTDTDTDT
DT
DT
DT
DT
DT
DT
DT
DT
DT
DTDT
DTDT
DTDT
DT
DTDT
DT
DT DTDT
DT
DT
DT
DT
DT
DTDT
DT
DT DT
DT
DT
DT
DT
DTDT
DTDT
DTDT
DT
DT
DT
DT
DT
DT
DT
DT
DT
DT
DT
DTDT
DT
DT
DT
DT
DT
DT
DT
DT
DT
DT
DT
DT
DT DTDT
US
US US
US
US
USUS
US
US
US
US US
USUS
US USUS
US
US US
US
US
US
USUS
USUS
US
US US
US
US
USUS
US
US
US
US
US
US
USUS
US
US
US
US
US US
US
US
US
US
US
US
US
US
US
USUS
US
USUSUS
US
USUS
USUSUS
US
USUS
US
US
US
US USUS
US
US
US
US
USUS
US
US
USUS
US
USUS
US
US
US
USUS
US
US
US
US
DS
DS
DS
DS
DS
DS
DS
DS
DS
DS
DS
DS
DS
DS
DS
DS
DS
DS
DSDS
DS
DSDS DS
DS
DS
DS
DSDSDS
DS
DS
DSDS
DS
DS
DS
DS
DS
DS
DSDS
DS
DS
DS
DS
DS
DS
DSDS
DS
DSDS
DSDSDSDS
DS
DS
DS
DS
DSDSDS
DSDS
DS DS
DS
DSDS
DS
DS
DS
DS
DS
DS
DS
DS
DSDS
DS
DSDS
DSDS
DSDSDS
DS
DS
DS
DS
DSDS
DSDS
DS
DS
DS
−0.15 −0.10 −0.05 0.00 0.05 0.10 0.15
−0.10
−0.05
0.00
0.05
0.10
0.15
NCD based dissimilarity matrix projection
NNNN
NNNN
N
N
NNN
N
NN
N N NNN
N
N
N
NN
N
N
N
N
NN
N
N
N
NN
N
N
N
N N
N
NNN
N
N
N
N
N
NN
N
NN
NN
NN
NN
N
NN
N
NNNN NNNN
NNNN
N
N
N
NN
N N
N
N
NNN
NN
N
N
NNNNNN
CC
C
C
C
C
C C
C
C
C
C
C
C
C
C
C
C C
C
C
C
C
C
C
C
C
CC
C
CC
C
C C
C
CC
C
CC
C
CC
C
C
CC
C
C
C
C
CC
C
CC
C
C
C
C
C
CCC
C
C
C
C
C C
C
C
CC
C
C
C
C
CCC
C
CC
C
CCC
C
C
C
C
C
C
C
C
C
C
C
ITIT
IT
IT
IT
IT
IT
IT
IT
IT
IT
IT
IT
IT
IT IT
IT
IT
IT
IT
IT
IT
IT
IT
IT
IT
IT
IT IT
ITITIT
ITIT
IT IT
IT
IT
IT
IT
IT
IT
ITIT
IT
IT
ITIT
IT
IT
IT
IT
IT
IT
IT
IT
IT
IT
IT
IT
ITIT
IT
ITIT
IT
IT
ITITIT
ITIT
IT
IT
IT
IT
ITIT
IT
IT
IT
IT
IT
IT
IT
ITIT
IT
IT
IT IT
IT
IT
IT
IT
IT
IT
IT
IT
IT
DT
DTDT
DT
DTDT
DT
DT
DT
DTDT DT
DT
DT
DTDT
DT
DT
DT
DT
DT DT
DT
DT
DT
DT
DT DT
DT DT
DT
DT
DT
DT
DT
DT
DT
DT
DT
DT
DT
DT
DT
DT
DTDT
DT
DTDT
DT
DT
DT
DT
DT
DT
DT
DT
DTDTDT
DT
DT
DT
DT
DT
DT
DTDT
DTDT
DTDT
DT
DT
DTDT
DTDT
DTDT
DT
DT
DT
DT
DT
DT
DT
DT
DT
DT
DT
DT
DT
DT
DT
DT
DT
DT
DT
DT
US
US
US
USUS
US
US
US
US
US
US
US
US
US
US
US
US
US
US
USUS
US
US
US
US
USUS
USUS
US
US US
US
US
US
US
US
US
US
US
US
US
US
US
US
US
US
US
US
USUSUS
US
US
US
US
USUS
US
US
US
USUS
US
USUS
US
USUSUS
US
US
US
US
US
US USUS
US
US
US
US
USUS US
USUS
USUS
USUS
US
US
US
US
US
US
US
USUS DS
DS
DS
DS
DS
DS
DS
DS
DS
DS
DS
DS
DS
DS
DSDS DS
DS
DS
DS
DS
DSDS
DS
DS
DS
DSDS
DS
DS
DS
DS
DS
DS
DS
DS
DS
DSDS
DSDSDS
DSDS
DSDS
DS
DS
DSDS
DS
DSDS
DS
DS
DS
DS
DS
DSDS
DS
DSDS
DS
DS
DS
DS
DS
DS
DS
DS
DS
DS
DS
DS
DS
DS
DS
DS
DS
DS
DS
DSDS
DS
DS
DS
DS
DS
DS
DSDS
DS
DSDS
DSDS
DS
DS
DS
−100 −50 0 50 100
−80
−60
−40
−20
020
40L2 norm based dissimilarity matrix projection
NNNN N
NN NN NN N
NNNN
N
N
N N
NNNN NNN
N
NN
N
NNNNNN
N
N
N
NNNNN
NNNN
N
NNNN
NNN
N
N
NNN
NNN
N
N
N
N NNNN
N
NNNNNNN
N
NNNNNN
N
NNNNNNNNN
NN
C
C
C
C
C
CC
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C CC
C
C
C
C
C
C
C
C
C
C
C
C C
C
C
C
C
CC
C
C
C
C
C
C
C
C C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
CC
C
C
C
C
ITITIT
ITIT
IT IT
IT ITITIT
IT ITIT
IT ITIT ITIT
IT
IT
ITIT
IT
IT
ITIT
ITIT
ITIT
ITIT
ITITIT IT
ITIT ITITIT
ITIT
ITIT
IT
ITIT
IT ITIT
IT ITIT
ITIT
ITIT
ITITITIT
ITITIT ITITIT
ITIT
ITIT
IT
ITIT ITIT
IT
IT ITIT
ITIT ITIT
ITIT
IT
IT
IT
ITIT
IT
ITITIT IT
ITIT
DT
DT
DT
DT DTDTDTDT
DTDTDT
DT
DTDT
DT
DT DTDT
DTDTDTDT
DT
DT
DTDT
DTDT
DT
DT
DT
DT DTDTDT
DTDTDT DTDT
DTDT
DT DTDT
DTDT
DT
DT
DTDT
DTDT DTDT
DTDT
DT
DT
DTDTDTDT DT
DTDTDT
DT
DT
DT DTDTDTDT DT DT
DT
DT
DTDT
DTDTDT
DTDTDT
DTDTDT DT
DT
DTDT
DT
DT
DT
DTDT DT
DTUS
US
US
USUS
US
USUSUS
USUS
US
US USUS
USUSUS
US
USUS
US
USUS
USUS
USUS US
US USUS US
USUS
USUSUS
USUSUS
US US
US
USUSUS
US
US
USUSUS USUS US
US
US
USUS US
USUS
US
US
US
US
USUS
US USUS
US
US
US
US
US
US
US
USUS
US
US
US
US
USUS USUSUS
USUS
US
US
USUS
USUS
USUSUS
DS
DSDS
DS
DS
DS
DSDS
DSDSDSDS
DS
DS
DSDS
DSDSDSDSDSDS
DS
DS
DSDS
DS DS
DS
DS DSDS
DS
DS
DS
DSDSDS
DSDS
DS
DS
DS
DS
DSDSDS
DSDS
DSDS
DS
DS
DSDSDSDS
DS
DSDS
DSDSDS
DSDS DS
DSDS
DSDSDS
DS DSDS
DSDS
DS
DS
DS
DS
DS
DS
DS
DSDS
DS
DS
DSDS
DS
DSDS
DSDS
DS
DSDSDSDS
DS
−1.0 −0.5 0.0 0.5
−0.8
−0.6
−0.4
−0.2
0.0
0.2
0.4
Correlation based dissimilarity matrix projection
N
NN
NN
N
N
N
NN
N
N
N
NN
N
N
N
N
N
N N
NN
NN
N
N
N
N
N
N
NN
N
N
N
N
N
N
N
NN
NN
N
N NN
N
N
NNN
N
NN
N
N
N
N
N
NN
N
N
N
N
N
N
N
NN
N
NN
N
N
N
N
N
N
NN
N
N
NN
N
N
N
N
N
N
N
N
N
N
N
N
C
C
C
C
C
C
C
C
C
C
C
C
C
CC
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
CC
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
CC C
C
C
C
C
C
C
C
C
C
CC
CC
C
C
C
C
CC
C
C
C
C
C
C
C
CC
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
ITIT
ITIT
IT
ITIT
ITITIT
ITITIT
ITIT
IT ITIT
IT
IT
IT
IT
IT
IT
IT
IT
IT
IT
IT
IT
IT
IT
IT
IT
ITITIT
ITITITITIT
IT
ITIT
IT
IT
IT
ITIT
IT
IT
ITIT
IT
ITIT
ITIT
IT
IT
ITIT
ITITITIT IT
IT
IT
IT
IT
IT
IT
IT ITIT
IT
IT
ITITITITITIT
IT
ITIT
IT
IT
IT
ITIT
IT
IT
ITIT
IT
IT
IT DT
DT
DT
DTDT
DTDT
DT
DT DT
DT
DT
DTDT
DT
DTDT DT
DTDTDT
DT
DT
DT
DT
DT
DT
DT
DT
DT
DT
DTDT
DT DTDTDTDT
DT DTDT
DTDTDT
DT
DT
DT
DT
DT
DTDT
DTDTDT
DT
DTDT
DT
DT
DT
DT
DTDTDT
DT
DTDTDT
DT
DTDTDT
DTDT
DTDT
DT
DT
DT
DTDTDT
DT
DT DTDT
DT
DTDT
DT
DT
DTDT
DT
DT
DT
DT
DTDT
DT
US
US
USUS
US
US
USUS
US
US
US
US
USUS
US
US
USUS
US
USUS
US
US
US
US
US
US
US
US
US
US USUS
US
US
US
US
US
US
USUS
USUS
US
USUS US
US
US
USUS
USUS
USUSUSUS
US
USUS
US
US
US
US
US
US
USUS
USUS
US
US
US
US
US
US
US
US
US
US
US
US
US
US
US
US
USUS
USUS
US
US
US
USUS
USUS
US
US
US
DS
DSDS
DS
DS
DS
DS
DS
DSDSDS
DSDS
DS
DS
DS
DS
DS
DS
DSDS
DSDS
DSDSDSDS
DS
DSDS
DSDS
DS
DS
DS
DS
DSDS
DS
DS
DS
DS
DS
DS
DS
DS
DS
DSDS
DS
DS
DS
DS
DS
DSDSDS
DS
DS
DSDS
DS
DSDSDS
DS
DSDSDS
DSDS
DSDS
DSDS
DS
DS
DS
DS
DSDS
DS
DS
DS
DS
DS
DS
DS
DS
DS
DS
DS
DSDS
DSDS
DS
DS
DS
DS
16 / 38
Experimental Results
Fast Methods Comparison
−0.15 −0.10 −0.05 0.00 0.05 0.10 0.15
−0.2
−0.1
0.0
0.1
GCDD based dissimilarity matrix projection
N N NNN
N
N
NN N
NN
NN
N
NNN
N N
NN
N
NN
NNN
N N
NNN
NN
N
N
NN
N
N
NN N
NN
NN NN
NNN NN
NNN
NN
NN
N
N N
N
NNN
NNN
N
NN
N
N
N
NN
N N
NN
NN
NNNN
NN
NN
N
NN
N
N
N
CC
CC
C
C
C
C
CC
C
C
C
C
C
CC
CC
C
C
C
C
CC
C
C
CC
C
C
C
CC
C
C
C
C
C
C C
CCC
C
C
C
CC
C
CC
CC
C
C
C
C
CC
C
C
CC
CC
CCC
CCC
C
C
C CC
CC CC
C
C
CC
C
C CC
C
CC
C
C
C
C CC
CC
ITIT
ITIT
IT
IT
ITITIT
IT
IT
IT
IT
IT
IT
IT
IT
IT
IT
ITIT
IT
IT
IT
ITIT
IT
ITIT
ITITIT
IT
ITIT IT
ITIT
ITITIT
IT
IT
ITIT
IT
IT
ITIT
IT
IT
ITITIT
IT
IT
ITITIT
IT
ITIT
IT
ITIT
ITIT
ITITITITIT
ITIT
IT
IT
IT IT
IT
IT
IT
IT
ITIT
IT
IT
ITIT ITIT
ITITIT
IT
IT
IT
IT
IT
IT
IT
DT
DT
DT
DT
DT DT
DT
DTDT
DTDT
DT
DTDT
DT
DT
DT
DT
DTDTDT
DT
DT
DT
DTDT
DTDTDTDT
DT
DT
DT
DT
DT
DT
DT
DT
DT
DTDT
DTDT
DTDT
DT
DTDT
DT
DT DTDT
DT
DT
DT
DT
DT
DTDT
DT
DT DT
DT
DT
DT
DT
DTDT
DTDT
DTDT
DT
DT
DT
DT
DT
DT
DT
DT
DT
DT
DT
DTDT
DT
DT
DT
DT
DT
DT
DT
DT
DT
DT
DT
DT
DT DTDT
US
US US
US
US
USUS
US
US
US
US US
USUS
US USUS
US
US US
US
US
US
USUS
USUS
US
US US
US
US
USUS
US
US
US
US
US
US
USUS
US
US
US
US
US US
US
US
US
US
US
US
US
US
US
USUS
US
USUSUS
US
USUS
USUSUS
US
USUS
US
US
US
US USUS
US
US
US
US
USUS
US
US
USUS
US
USUS
US
US
US
USUS
US
US
US
US
DS
DS
DS
DS
DS
DS
DS
DS
DS
DS
DS
DS
DS
DS
DS
DS
DS
DS
DSDS
DS
DSDS DS
DS
DS
DS
DSDSDS
DS
DS
DSDS
DS
DS
DS
DS
DS
DS
DSDS
DS
DS
DS
DS
DS
DS
DSDS
DS
DSDS
DSDSDSDS
DS
DS
DS
DS
DSDSDS
DSDS
DS DS
DS
DSDS
DS
DS
DS
DS
DS
DS
DS
DS
DSDS
DS
DSDS
DSDS
DSDSDS
DS
DS
DS
DS
DSDS
DSDS
DS
DS
DS
−0.15 −0.10 −0.05 0.00 0.05 0.10 0.15
−0.10
−0.05
0.00
0.05
0.10
0.15
NCD based dissimilarity matrix projection
NNNN
NNNN
N
N
NNN
N
NN
N N NNN
N
N
N
NN
N
N
N
N
NN
N
N
N
NN
N
N
N
N N
N
NNN
N
N
N
N
N
NN
N
NN
NN
NN
NN
N
NN
N
NNNN NNNN
NNNN
N
N
N
NN
N N
N
N
NNN
NN
N
N
NNNNNN
CC
C
C
C
C
C C
C
C
C
C
C
C
C
C
C
C C
C
C
C
C
C
C
C
C
CC
C
CC
C
C C
C
CC
C
CC
C
CC
C
C
CC
C
C
C
C
CC
C
CC
C
C
C
C
C
CCC
C
C
C
C
C C
C
C
CC
C
C
C
C
CCC
C
CC
C
CCC
C
C
C
C
C
C
C
C
C
C
C
ITIT
IT
IT
IT
IT
IT
IT
IT
IT
IT
IT
IT
IT
IT IT
IT
IT
IT
IT
IT
IT
IT
IT
IT
IT
IT
IT IT
ITITIT
ITIT
IT IT
IT
IT
IT
IT
IT
IT
ITIT
IT
IT
ITIT
IT
IT
IT
IT
IT
IT
IT
IT
IT
IT
IT
IT
ITIT
IT
ITIT
IT
IT
ITITIT
ITIT
IT
IT
IT
IT
ITIT
IT
IT
IT
IT
IT
IT
IT
ITIT
IT
IT
IT IT
IT
IT
IT
IT
IT
IT
IT
IT
IT
DT
DTDT
DT
DTDT
DT
DT
DT
DTDT DT
DT
DT
DTDT
DT
DT
DT
DT
DT DT
DT
DT
DT
DT
DT DT
DT DT
DT
DT
DT
DT
DT
DT
DT
DT
DT
DT
DT
DT
DT
DT
DTDT
DT
DTDT
DT
DT
DT
DT
DT
DT
DT
DT
DTDTDT
DT
DT
DT
DT
DT
DT
DTDT
DTDT
DTDT
DT
DT
DTDT
DTDT
DTDT
DT
DT
DT
DT
DT
DT
DT
DT
DT
DT
DT
DT
DT
DT
DT
DT
DT
DT
DT
DT
US
US
US
USUS
US
US
US
US
US
US
US
US
US
US
US
US
US
US
USUS
US
US
US
US
USUS
USUS
US
US US
US
US
US
US
US
US
US
US
US
US
US
US
US
US
US
US
US
USUSUS
US
US
US
US
USUS
US
US
US
USUS
US
USUS
US
USUSUS
US
US
US
US
US
US USUS
US
US
US
US
USUS US
USUS
USUS
USUS
US
US
US
US
US
US
US
USUS DS
DS
DS
DS
DS
DS
DS
DS
DS
DS
DS
DS
DS
DS
DSDS DS
DS
DS
DS
DS
DSDS
DS
DS
DS
DSDS
DS
DS
DS
DS
DS
DS
DS
DS
DS
DSDS
DSDSDS
DSDS
DSDS
DS
DS
DSDS
DS
DSDS
DS
DS
DS
DS
DS
DSDS
DS
DSDS
DS
DS
DS
DS
DS
DS
DS
DS
DS
DS
DS
DS
DS
DS
DS
DS
DS
DS
DS
DSDS
DS
DS
DS
DS
DS
DS
DSDS
DS
DSDS
DSDS
DS
DS
DS
−100 −50 0 50 100
−80
−60
−40
−20
020
40
L2 norm based dissimilarity matrix projection
NNNN N
NN NN NN N
NNNN
N
N
N N
NNNN NNN
N
NN
N
NNNNNN
N
N
N
NNNNN
NNNN
N
NNNN
NNN
N
N
NNN
NNN
N
N
N
N NNNN
N
NNNNNNN
N
NNNNNN
N
NNNNNNNNN
NN
C
C
C
C
C
CC
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C CC
C
C
C
C
C
C
C
C
C
C
C
C C
C
C
C
C
CC
C
C
C
C
C
C
C
C C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
CC
C
C
C
C
ITITIT
ITIT
IT IT
IT ITITIT
IT ITIT
IT ITIT ITIT
IT
IT
ITIT
IT
IT
ITIT
ITIT
ITIT
ITIT
ITITIT IT
ITIT ITITIT
ITIT
ITIT
IT
ITIT
IT ITIT
IT ITIT
ITIT
ITIT
ITITITIT
ITITIT ITITIT
ITIT
ITIT
IT
ITIT ITIT
IT
IT ITIT
ITIT ITIT
ITIT
IT
IT
IT
ITIT
IT
ITITIT IT
ITIT
DT
DT
DT
DT DTDTDTDT
DTDTDT
DT
DTDT
DT
DT DTDT
DTDTDTDT
DT
DT
DTDT
DTDT
DT
DT
DT
DT DTDTDT
DTDTDT DTDT
DTDT
DT DTDT
DTDT
DT
DT
DTDT
DTDT DTDT
DTDT
DT
DT
DTDTDTDT DT
DTDTDT
DT
DT
DT DTDTDTDT DT DT
DT
DT
DTDT
DTDTDT
DTDTDT
DTDTDT DT
DT
DTDT
DT
DT
DT
DTDT DT
DTUS
US
US
USUS
US
USUSUS
USUS
US
US USUS
USUSUS
US
USUS
US
USUS
USUS
USUS US
US USUS US
USUS
USUSUS
USUSUS
US US
US
USUSUS
US
US
USUSUS USUS US
US
US
USUS US
USUS
US
US
US
US
USUS
US USUS
US
US
US
US
US
US
US
USUS
US
US
US
US
USUS USUSUS
USUS
US
US
USUS
USUS
USUSUS
DS
DSDS
DS
DS
DS
DSDS
DSDSDSDS
DS
DS
DSDS
DSDSDSDSDSDS
DS
DS
DSDS
DS DS
DS
DS DSDS
DS
DS
DS
DSDSDS
DSDS
DS
DS
DS
DS
DSDSDS
DSDS
DSDS
DS
DS
DSDSDSDS
DS
DSDS
DSDSDS
DSDS DS
DSDS
DSDSDS
DS DSDS
DSDS
DS
DS
DS
DS
DS
DS
DS
DSDS
DS
DS
DSDS
DS
DSDS
DSDS
DS
DSDSDSDS
DS
−1.0 −0.5 0.0 0.5
−0.8
−0.6
−0.4
−0.2
0.0
0.2
0.4
Correlation based dissimilarity matrix projection
N
NN
NN
N
N
N
NN
N
N
N
NN
N
N
N
N
N
N N
NN
NN
N
N
N
N
N
N
NN
N
N
N
N
N
N
N
NN
NN
N
N NN
N
N
NNN
N
NN
N
N
N
N
N
NN
N
N
N
N
N
N
N
NN
N
NN
N
N
N
N
N
N
NN
N
N
NN
N
N
N
N
N
N
N
N
N
N
N
N
C
C
C
C
C
C
C
C
C
C
C
C
C
CC
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
CC
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
CC C
C
C
C
C
C
C
C
C
C
CC
CC
C
C
C
C
CC
C
C
C
C
C
C
C
CC
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
ITIT
ITIT
IT
ITIT
ITITIT
ITITIT
ITIT
IT ITIT
IT
IT
IT
IT
IT
IT
IT
IT
IT
IT
IT
IT
IT
IT
IT
IT
ITITIT
ITITITITIT
IT
ITIT
IT
IT
IT
ITIT
IT
IT
ITIT
IT
ITIT
ITIT
IT
IT
ITIT
ITITITIT IT
IT
IT
IT
IT
IT
IT
IT ITIT
IT
IT
ITITITITITIT
IT
ITIT
IT
IT
IT
ITIT
IT
IT
ITIT
IT
IT
IT DT
DT
DT
DTDT
DTDT
DT
DT DT
DT
DT
DTDT
DT
DTDT DT
DTDTDT
DT
DT
DT
DT
DT
DT
DT
DT
DT
DT
DTDT
DT DTDTDTDT
DT DTDT
DTDTDT
DT
DT
DT
DT
DT
DTDT
DTDTDT
DT
DTDT
DT
DT
DT
DT
DTDTDT
DT
DTDTDT
DT
DTDTDT
DTDT
DTDT
DT
DT
DT
DTDTDT
DT
DT DTDT
DT
DTDT
DT
DT
DTDT
DT
DT
DT
DT
DTDT
DT
US
US
USUS
US
US
USUS
US
US
US
US
USUS
US
US
USUS
US
USUS
US
US
US
US
US
US
US
US
US
US USUS
US
US
US
US
US
US
USUS
USUS
US
USUS US
US
US
USUS
USUS
USUSUSUS
US
USUS
US
US
US
US
US
US
USUS
USUS
US
US
US
US
US
US
US
US
US
US
US
US
US
US
US
US
USUS
USUS
US
US
US
USUS
USUS
US
US
US
DS
DSDS
DS
DS
DS
DS
DS
DSDSDS
DSDS
DS
DS
DS
DS
DS
DS
DSDS
DSDS
DSDSDSDS
DS
DSDS
DSDS
DS
DS
DS
DS
DSDS
DS
DS
DS
DS
DS
DS
DS
DS
DS
DSDS
DS
DS
DS
DS
DS
DSDSDS
DS
DS
DSDS
DS
DSDSDS
DS
DSDSDS
DSDS
DSDS
DSDS
DS
DS
DS
DS
DSDS
DS
DS
DS
DS
DS
DS
DS
DS
DS
DS
DS
DSDS
DSDS
DS
DS
DS
DS
17 / 38
Experimental Results
Numerically Intensive Methods Comparison
−10 −5 0 5
−50
5Autocorrelation based dissimilarity matrix projection
NNNNN
N NNN NNNN
N
N
NN
NN
NNN NNNNNN
N NN
N
NN
NN NNN
NN
N
NN
N
NNN NNNNNN
NNNNN
NNN NNN
NNN
NNN
NN
NNNNNN
NNN
NN
NN
NNN
NNN
NNN NNNNN
C
C
C
C
C
C
C
C
C
CC
CC
C
C CC
C
C
CC
CC
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
CC
CC
C
C
C
C
CC
C
C
C
C
C
C
C
C
C
C
C
C
CC
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
ITIT ITITITIT IT
IT ITITITITITIT IT IT
IT ITIT IT
IT
IT ITIT ITITIT IT ITITITIT ITITITIT ITITITITITIT
IT ITITIT ITIT ITIT ITIT IT ITITIT
ITIT ITIT
ITITIT ITIT IT ITIT ITITIT
ITIT
ITIT
ITIT IT
ITITIT IT ITIT IT
IT IT ITIT
IT
ITIT
ITIT ITITIT IT IT IT DTDT
DTDT
DTDTDTDT
DTDTDT DTDT
DTDT DT
DT DTDT DT DTDT
DTDTDTDTDTDT
DTDTDT DTDTDT DTDTDT DT
DTDTDT DTDTDT
DT
DT DTDTDT
DTDTDT
DTDT DT DTDTDTDT
DTDTDT
DTDT DTDT DT DTDT
DT
DTDTDT
DTDT
DT DTDT DTDT
DTDTDTDT DTDT
DT DTDTDT DTDT DTDTDT DT
DTDTDTDTUS
US
US
USUS US US
USUS US
US USUSUS
USUSUSUSUS
US US
US
US USUSUSUSUS US
USUSUS US
USUS
US USUS USUS USUS US USUSUSUS USUS
US USUSUS
USUS
USUS
USUS USUSUSUS
US
USUSUSUS
US USUS
US
USUSUS US
USUS
USUS
US
USUS
USUS
USUSUS
US USUS
USUS
USUSUS USUSUS
US
DSDSDS
DS
DS
DSDSDS DS
DSDSDSDSDS DS
DSDS
DSDSDS DS
DS
DS
DSDSDS
DSDSDS
DS
DS
DSDS DSDS
DSDS
DSDSDS
DS DS
DS
DSDS
DSDSDS
DSDSDSDSDS
DSDSDS
DSDSDS
DSDS DS DSDS DSDS DS DSDSDS DS DSDS
DSDS
DSDS
DS
DS
DSDS
DSDSDS
DSDS
DSDSDS
DSDSDS DSDSDS
DS
DS
DSDS
DS
0 500000 1000000 1500000 2000000 2500000 3000000 3500000
0500
1000
1500
2000
Linear Predictive Coding ARIMA based dissimilarity matrix projection
NNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNCCCCCCCCCCCCCCCCCCCCCC CCCCCCCCCCCCCCCCCCCCCCCC
C
CCCCCCCCCCCCCCCCCCCCCCC
C
CCCCC
C
CCCCCCCCCCCCCCCCCCCCCCCITITITITITITITITITITITITITITITITITITITITITITITITITITITITITITITITITITITITITITITITITIT
IT
ITITITITITITITITITITITITITITITITITITITITITITITITITITITITITITITITITITITITITITITITITITITITITITITITITITITITITITITITITDTDTDTDTDTDTDTDTDTDTDTDTDTDTDTDTDTDTDTDTDTDTDTDTDTDTDTDTDTDTDTDTDTDTDTDTDTDTDTDTDTDTDTDTDTDTDTDTDTDTDTDTDTDTDTDTDTDTDTDTDTDTDTDTDTDTDTDTDTDTDTDTDTDTDTDTDTDTDTDTDTDTDTDTDTDTDTDTDTDTDTDTDTDTDTDTDTDTDTDTUS
US
USUSUSUSUSUSUSUSUSUSUSUSUSUSUSUSUSUSUSUSUSUSUSUSUSUSUSUSUSUSUSUSUSUSUSUSUSUSUSUSUSUSUSUSUSUSUSUSUSUSUSUSUSUSUSUSUSUSUSUSUSUSUSUSUSUSUSUSUSUSUSUSUSUSUSUSUSUSUSUSUSUSUSUSUSUSUSUSUSUSUSUSUSUSUSUSUSUSDSDSDSDSDSDSDSDSDSDSDSDSDSDSDSDSDSDSDSDSDSDSDSDSDSDSDSDSDSDSDSDSDSDSDSDSDS
DS
DSDSDSDSDSDSDSDSDSDSDSDSDSDSDSDSDSDSDSDSDSDSDSDSDSDSDSDSDSDSDSDSDSDSDSDSDSDSDSDSDSDSDSDSDSDSDSDSDSDSDSDSDSDSDSDSDSDSDSDSDSDS
−150 −100 −50 0 50 100
−100
−50
050
100
Adaptive dissimilarity index matrix projection
NN
NN
N
N
N NN
N
N
N
N
N
N
NN
N
N
NN
N
N
N
NNNN
NN
N
NN
N
NNN
N
N
N
N
NNN
N
N
N
NN
N
NNNN
N
N
NN
N
NN
NN
NNN
N
N
N
NN
N
N
NN
N
N
NN
N
N
NN
N
N
N
NN
N N
N
N
NN
N
NNNN
N
CC
CC
CC
CCC
C
C
C
CC
C
C
C
C
C
C
C
C
C
C
C
C
C
C
CCC
C
C
C
C
C
C CC
C
CC
C
CCC
CC
CCC
C
C
CC C
C
C
C
C
C CC
CC
C
CC
C
C
C
C
C
C
CCC
C
C
C
CC
C
C
C
C
CCCC
C
C
C
C
C
C
C
C
C
C IT
IT
IT
IT
IT
IT
IT
IT
IT
IT
IT
IT
IT
IT
IT
ITIT
IT
IT
IT
IT
IT
IT
IT
IT
IT
IT
ITIT
IT
IT
IT
IT
IT
IT
IT
IT
IT
ITIT
IT
IT
ITIT
IT
IT
ITIT
IT
IT
IT
IT IT
IT
IT
IT
IT
IT IT
IT
IT
ITIT
IT
IT
IT
IT
IT
IT
IT
IT
IT
ITIT
IT
IT
IT
IT
IT
IT
IT
IT
ITIT
IT
IT
ITIT
ITIT
IT
IT
IT
IT
IT
ITIT
IT
IT
IT
DT
DT
DT
DTDT
DT
DT
DT
DT
DT
DT
DT
DT
DT
DT
DT
DT
DT
DT
DT
DT
DT
DT
DT
DT
DT
DT
DT
DT
DTDT
DTDT
DT
DT
DT
DT
DT
DT
DT
DT
DT
DT
DT
DT
DTDT
DT
DTDT
DT
DT
DT
DT
DT
DTDT
DTDT
DT
DT
DT
DT
DT
DT
DTDT
DT
DT
DT
DT
DT
DT
DT
DT
DTDTDT
DT
DT
DT
DT
DTDT
DT
DT
DT
DT
DT
DT
DT
DT
DT
DT
DT
DT
DT
DT
DTDT
USUS
US
USUS
US
US
USUS
USUSUS
US
US
US
US
US
US
US
USUS
US
US
US
US
US
USUS
US
US
US
US
US
US
US
US
US
USUS
US
US
US
US
US
USUS
US
US
US
USUS
US USUS
US
US
US
US
US US
US
USUS US
US
USUS
US
US USUS
US US
US
US
US
US
US
US
US
US
USUS
US
US
US
US
US
USUS
USUS
US
US
US
US
US
USUS
US
DS
DS
DS
DS
DS
DS DS
DS
DS
DSDS
DS
DS
DSDS
DS
DS
DS
DS
DS
DS
DS
DS
DSDS
DS
DS
DS
DS
DS
DS
DS
DS
DSDS
DS
DSDS
DS
DS
DS
DS
DSDS
DS
DS
DSDSDS
DS
DS
DS
DS DSDSDS
DS
DSDS
DS
DS
DS
DS
DS
DS
DSDS
DS
DS
DS
DS
DS
DSDS
DS
DS
DS
DS
DS
DS
DS
DS
DSDS
DSDSDS
DS
DS
DS
DS
DSDS DSDS
DS
DSDS
DS
DS
−0.8 −0.6 −0.4 −0.2 0.0 0.2 0.4
−0.4
−0.2
0.0
0.2
0.4
0.6
ARIMA based, Piccolo−1990 dissimilarity matrix projection
N NN
N
N
N
N
N
NNNN
N
N
N
N NNN
NNN NN
N
N
N
N
NN
N
N
N NNN
N
N
NNN
NN
NN
N
NN
N
N
NN
N
NN
N
N
N
NN
NN
NNN
N
N
NN NN
NN
N
N
NN
N NN
N
NN
N
N
NN N
N
NN
N
NNN
N
N
NN
N
C
C
C
CC
C
C
C
C
C
C
C
C
C
C
C
C CC
C
C
C
C
C
C
C
C
CC
C
C
C
C
C
C
C CC
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C CC
C C
C
C
C
C
C
CC
C
C
C
C
C
CC
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
CC
C
C
C
C
CC
C
IT IT
IT
ITIT
IT
ITIT
IT
IT
IT IT
IT
IT
IT
IT
IT
IT
IT
ITIT
IT IT
IT
IT
ITIT
ITIT
IT
IT
IT
ITITIT
IT
IT
IT
ITIT
IT
IT
IT
IT
IT
IT
IT
IT
IT
IT
IT
IT
IT
IT
IT
IT
IT
IT
IT
ITIT
IT
IT
ITIT
IT
IT
IT
IT
IT
IT
IT
IT
IT
IT IT IT
IT
IT
IT
IT
IT
IT
IT
IT
IT
IT
IT
IT
IT
IT
IT
IT
IT
IT
IT
IT
IT
IT
IT DT
DT
DT
DT
DT
DTDT
DT
DT
DT
DT
DT
DT
DT
DT
DTDT
DT
DT
DT
DT
DT
DT
DT
DT
DT
DT
DT
DT
DTDT
DTDT
DT
DT
DT
DT
DT
DT
DT
DT
DT
DT
DT
DT
DT
DT
DTDT
DT
DT
DT
DT
DTDT
DTDT
DTDT
DT
DT
DT
DT
DTDT
DT
DTDT
DTDTDT
DT
DT
DT
DT
DT
DT
DT
DT
DT
DT
DT
DT
DT
DT
DT
DT
DTDT
DT
DTDT
DTDT
DT
DTDT
DT
DT
DT
US
US
US
US
US
US US
USUS
US
US
US
US
US
US
USUS
USUS
US
US
US
US
US
US
US
US
US
US
US
USUS
US
US
US
US US
US
US
US USUS
US
US
USUS
US
US
US
USUS
US
USUS
US
US
US
US
US
US
US
US
US USUS
US
US
US
US
US
US
US
US
US
US
US
US
US
US
US US
US
US
US
US
US
US
USUS
US
US
US
US
US
USUS
US
US
US
US
DS
DS
DS DS
DS
DS
DS
DS
DS
DS
DS
DS
DS
DS
DS
DS
DS
DSDS
DSDSDS
DS
DS
DS
DS
DS
DS
DS
DS
DS
DS
DS
DS
DS
DS
DS
DS
DS
DSDS
DS
DSDS
DS
DS
DS
DS
DS
DS
DSDS
DSDS
DS
DS
DS
DS
DS
DS
DSDS
DSDS
DS
DS
DS
DS
DS
DS
DS
DS
DS
DS
DSDS
DS
DS
DS
DS
DS
DS
DS
DS
DSDS
DS
DS
DS
DS
DSDS
DS
DS
DS
DS
DS
DS
DS
DS
18 / 38
Experimental Results
Numerically Intensive Methods Comparison−10 −5 0 5
−50
5
Autocorrelation based dissimilarity matrix projection
NNNNN
N NNN NNNN
N
N
NN
NN
NNN NNNNNN
N NN
N
NN
NN NNN
NN
N
NN
N
NNN NNNNNN
NNNNN
NNN NNN
NNN
NNN
NN
NNNNNN
NNN
NN
NN
NNN
NNN
NNN NNNNN
C
C
C
C
C
C
C
C
C
CC
CC
C
C CC
C
C
CC
CC
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
CC
CC
C
C
C
C
CC
C
C
C
C
C
C
C
C
C
C
C
C
CC
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
ITIT ITITITIT IT
IT ITITITITITIT IT IT
IT ITIT IT
IT
IT ITIT ITITIT IT ITITITIT ITITITIT ITITITITITIT
IT ITITIT ITIT ITIT ITIT IT ITITIT
ITIT ITIT
ITITIT ITIT IT ITIT ITITIT
ITIT
ITIT
ITIT IT
ITITIT IT ITIT IT
IT IT ITIT
IT
ITIT
ITIT ITITIT IT IT IT DTDT
DTDT
DTDTDTDT
DTDTDT DTDT
DTDT DT
DT DTDT DT DTDT
DTDTDTDTDTDT
DTDTDT DTDTDT DTDTDT DT
DTDTDT DTDTDT
DT
DT DTDTDT
DTDTDT
DTDT DT DTDTDTDT
DTDTDT
DTDT DTDT DT DTDT
DT
DTDTDT
DTDT
DT DTDT DTDT
DTDTDTDT DTDT
DT DTDTDT DTDT DTDTDT DT
DTDTDTDTUS
US
US
USUS US US
USUS US
US USUSUS
USUSUSUSUS
US US
US
US USUSUSUSUS US
USUSUS US
USUS
US USUS USUS USUS US USUSUSUS USUS
US USUSUS
USUS
USUS
USUS USUSUSUS
US
USUSUSUS
US USUS
US
USUSUS US
USUS
USUS
US
USUS
USUS
USUSUS
US USUS
USUS
USUSUS USUSUS
US
DSDSDS
DS
DS
DSDSDS DS
DSDSDSDSDS DS
DSDS
DSDSDS DS
DS
DS
DSDSDS
DSDSDS
DS
DS
DSDS DSDS
DSDS
DSDSDS
DS DS
DS
DSDS
DSDSDS
DSDSDSDSDS
DSDSDS
DSDSDS
DSDS DS DSDS DSDS DS DSDSDS DS DSDS
DSDS
DSDS
DS
DS
DSDS
DSDSDS
DSDS
DSDSDS
DSDSDS DSDSDS
DS
DS
DSDS
DS
0 500000 1000000 1500000 2000000 2500000 3000000 3500000
0500
1000
1500
2000
Linear Predictive Coding ARIMA based dissimilarity matrix projection
NNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNCCCCCCCCCCCCCCCCCCCCCC CCCCCCCCCCCCCCCCCCCCCCCC
C
CCCCCCCCCCCCCCCCCCCCCCC
C
CCCCC
C
CCCCCCCCCCCCCCCCCCCCCCCITITITITITITITITITITITITITITITITITITITITITITITITITITITITITITITITITITITITITITITITITIT
IT
ITITITITITITITITITITITITITITITITITITITITITITITITITITITITITITITITITITITITITITITITITITITITITITITITITITITITITITITITITDTDTDTDTDTDTDTDTDTDTDTDTDTDTDTDTDTDTDTDTDTDTDTDTDTDTDTDTDTDTDTDTDTDTDTDTDTDTDTDTDTDTDTDTDTDTDTDTDTDTDTDTDTDTDTDTDTDTDTDTDTDTDTDTDTDTDTDTDTDTDTDTDTDTDTDTDTDTDTDTDTDTDTDTDTDTDTDTDTDTDTDTDTDTDTDTDTDTDTDTUS
US
USUSUSUSUSUSUSUSUSUSUSUSUSUSUSUSUSUSUSUSUSUSUSUSUSUSUSUSUSUSUSUSUSUSUSUSUSUSUSUSUSUSUSUSUSUSUSUSUSUSUSUSUSUSUSUSUSUSUSUSUSUSUSUSUSUSUSUSUSUSUSUSUSUSUSUSUSUSUSUSUSUSUSUSUSUSUSUSUSUSUSUSUSUSUSUSUSUSDSDSDSDSDSDSDSDSDSDSDSDSDSDSDSDSDSDSDSDSDSDSDSDSDSDSDSDSDSDSDSDSDSDSDSDSDS
DS
DSDSDSDSDSDSDSDSDSDSDSDSDSDSDSDSDSDSDSDSDSDSDSDSDSDSDSDSDSDSDSDSDSDSDSDSDSDSDSDSDSDSDSDSDSDSDSDSDSDSDSDSDSDSDSDSDSDSDSDSDSDS
−150 −100 −50 0 50 100
−100
−50
050
100
Adaptive dissimilarity index matrix projection
NN
NN
N
N
N NN
N
N
N
N
N
N
NN
N
N
NN
N
N
N
NNNN
NN
N
NN
N
NNN
N
N
N
N
NNN
N
N
N
NN
N
NNNN
N
N
NN
N
NN
NN
NNN
N
N
N
NN
N
N
NN
N
N
NN
N
N
NN
N
N
N
NN
N N
N
N
NN
N
NNNN
N
CC
CC
CC
CCC
C
C
C
CC
C
C
C
C
C
C
C
C
C
C
C
C
C
C
CCC
C
C
C
C
C
C CC
C
CC
C
CCC
CC
CCC
C
C
CC C
C
C
C
C
C CC
CC
C
CC
C
C
C
C
C
C
CCC
C
C
C
CC
C
C
C
C
CCCC
C
C
C
C
C
C
C
C
C
C IT
IT
IT
IT
IT
IT
IT
IT
IT
IT
IT
IT
IT
IT
IT
ITIT
IT
IT
IT
IT
IT
IT
IT
IT
IT
IT
ITIT
IT
IT
IT
IT
IT
IT
IT
IT
IT
ITIT
IT
IT
ITIT
IT
IT
ITIT
IT
IT
IT
IT IT
IT
IT
IT
IT
IT IT
IT
IT
ITIT
IT
IT
IT
IT
IT
IT
IT
IT
IT
ITIT
IT
IT
IT
IT
IT
IT
IT
IT
ITIT
IT
IT
ITIT
ITIT
IT
IT
IT
IT
IT
ITIT
IT
IT
IT
DT
DT
DT
DTDT
DT
DT
DT
DT
DT
DT
DT
DT
DT
DT
DT
DT
DT
DT
DT
DT
DT
DT
DT
DT
DT
DT
DT
DT
DTDT
DTDT
DT
DT
DT
DT
DT
DT
DT
DT
DT
DT
DT
DT
DTDT
DT
DTDT
DT
DT
DT
DT
DT
DTDT
DTDT
DT
DT
DT
DT
DT
DT
DTDT
DT
DT
DT
DT
DT
DT
DT
DT
DTDTDT
DT
DT
DT
DT
DTDT
DT
DT
DT
DT
DT
DT
DT
DT
DT
DT
DT
DT
DT
DT
DTDT
USUS
US
USUS
US
US
USUS
USUSUS
US
US
US
US
US
US
US
USUS
US
US
US
US
US
USUS
US
US
US
US
US
US
US
US
US
USUS
US
US
US
US
US
USUS
US
US
US
USUS
US USUS
US
US
US
US
US US
US
USUS US
US
USUS
US
US USUS
US US
US
US
US
US
US
US
US
US
USUS
US
US
US
US
US
USUS
USUS
US
US
US
US
US
USUS
US
DS
DS
DS
DS
DS
DS DS
DS
DS
DSDS
DS
DS
DSDS
DS
DS
DS
DS
DS
DS
DS
DS
DSDS
DS
DS
DS
DS
DS
DS
DS
DS
DSDS
DS
DSDS
DS
DS
DS
DS
DSDS
DS
DS
DSDSDS
DS
DS
DS
DS DSDSDS
DS
DSDS
DS
DS
DS
DS
DS
DS
DSDS
DS
DS
DS
DS
DS
DSDS
DS
DS
DS
DS
DS
DS
DS
DS
DSDS
DSDSDS
DS
DS
DS
DS
DSDS DSDS
DS
DSDS
DS
DS
−0.8 −0.6 −0.4 −0.2 0.0 0.2 0.4
−0.4
−0.2
0.0
0.2
0.4
0.6
ARIMA based, Piccolo−1990 dissimilarity matrix projection
N NN
N
N
N
N
N
NNNN
N
N
N
N NNN
NNN NN
N
N
N
N
NN
N
N
N NNN
N
N
NNN
NN
NN
N
NN
N
N
NN
N
NN
N
N
N
NN
NN
NNN
N
N
NN NN
NN
N
N
NN
N NN
N
NN
N
N
NN N
N
NN
N
NNN
N
N
NN
N
C
C
C
CC
C
C
C
C
C
C
C
C
C
C
C
C CC
C
C
C
C
C
C
C
C
CC
C
C
C
C
C
C
C CC
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C CC
C C
C
C
C
C
C
CC
C
C
C
C
C
CC
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
CC
C
C
C
C
CC
C
IT IT
IT
ITIT
IT
ITIT
IT
IT
IT IT
IT
IT
IT
IT
IT
IT
IT
ITIT
IT IT
IT
IT
ITIT
ITIT
IT
IT
IT
ITITIT
IT
IT
IT
ITIT
IT
IT
IT
IT
IT
IT
IT
IT
IT
IT
IT
IT
IT
IT
IT
IT
IT
IT
IT
ITIT
IT
IT
ITIT
IT
IT
IT
IT
IT
IT
IT
IT
IT
IT IT IT
IT
IT
IT
IT
IT
IT
IT
IT
IT
IT
IT
IT
IT
IT
IT
IT
IT
IT
IT
IT
IT
IT
IT DT
DT
DT
DT
DT
DTDT
DT
DT
DT
DT
DT
DT
DT
DT
DTDT
DT
DT
DT
DT
DT
DT
DT
DT
DT
DT
DT
DT
DTDT
DTDT
DT
DT
DT
DT
DT
DT
DT
DT
DT
DT
DT
DT
DT
DT
DTDT
DT
DT
DT
DT
DTDT
DTDT
DTDT
DT
DT
DT
DT
DTDT
DT
DTDT
DTDTDT
DT
DT
DT
DT
DT
DT
DT
DT
DT
DT
DT
DT
DT
DT
DT
DT
DTDT
DT
DTDT
DTDT
DT
DTDT
DT
DT
DT
US
US
US
US
US
US US
USUS
US
US
US
US
US
US
USUS
USUS
US
US
US
US
US
US
US
US
US
US
US
USUS
US
US
US
US US
US
US
US USUS
US
US
USUS
US
US
US
USUS
US
USUS
US
US
US
US
US
US
US
US
US USUS
US
US
US
US
US
US
US
US
US
US
US
US
US
US
US US
US
US
US
US
US
US
USUS
US
US
US
US
US
USUS
US
US
US
US
DS
DS
DS DS
DS
DS
DS
DS
DS
DS
DS
DS
DS
DS
DS
DS
DS
DSDS
DSDSDS
DS
DS
DS
DS
DS
DS
DS
DS
DS
DS
DS
DS
DS
DS
DS
DS
DS
DSDS
DS
DSDS
DS
DS
DS
DS
DS
DS
DSDS
DSDS
DS
DS
DS
DS
DS
DS
DSDS
DSDS
DS
DS
DS
DS
DS
DS
DS
DS
DS
DS
DSDS
DS
DS
DS
DS
DS
DS
DS
DS
DSDS
DS
DS
DS
DS
DSDS
DS
DS
DS
DS
DS
DS
DS
DS
19 / 38
Experimental Results
Numerically Intensive Methods Comparison
−10 −5 0 5
−50
5
Autocorrelation based dissimilarity matrix projection
NNNNN
N NNN NNNN
N
N
NN
NN
NNN NNNNNN
N NN
N
NN
NN NNN
NN
N
NN
N
NNN NNNNNN
NNNNN
NNN NNN
NNN
NNN
NN
NNNNNN
NNN
NN
NN
NNN
NNN
NNN NNNNN
C
C
C
C
C
C
C
C
C
CC
CC
C
C CC
C
C
CC
CC
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
CC
CC
C
C
C
C
CC
C
C
C
C
C
C
C
C
C
C
C
C
CC
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
ITIT ITITITIT IT
IT ITITITITITIT IT IT
IT ITIT IT
IT
IT ITIT ITITIT IT ITITITIT ITITITIT ITITITITITIT
IT ITITIT ITIT ITIT ITIT IT ITITIT
ITIT ITIT
ITITIT ITIT IT ITIT ITITIT
ITIT
ITIT
ITIT IT
ITITIT IT ITIT IT
IT IT ITIT
IT
ITIT
ITIT ITITIT IT IT IT DTDT
DTDT
DTDTDTDT
DTDTDT DTDT
DTDT DT
DT DTDT DT DTDT
DTDTDTDTDTDT
DTDTDT DTDTDT DTDTDT DT
DTDTDT DTDTDT
DT
DT DTDTDT
DTDTDT
DTDT DT DTDTDTDT
DTDTDT
DTDT DTDT DT DTDT
DT
DTDTDT
DTDT
DT DTDT DTDT
DTDTDTDT DTDT
DT DTDTDT DTDT DTDTDT DT
DTDTDTDTUS
US
US
USUS US US
USUS US
US USUSUS
USUSUSUSUS
US US
US
US USUSUSUSUS US
USUSUS US
USUS
US USUS USUS USUS US USUSUSUS USUS
US USUSUS
USUS
USUS
USUS USUSUSUS
US
USUSUSUS
US USUS
US
USUSUS US
USUS
USUS
US
USUS
USUS
USUSUS
US USUS
USUS
USUSUS USUSUS
US
DSDSDS
DS
DS
DSDSDS DS
DSDSDSDSDS DS
DSDS
DSDSDS DS
DS
DS
DSDSDS
DSDSDS
DS
DS
DSDS DSDS
DSDS
DSDSDS
DS DS
DS
DSDS
DSDSDS
DSDSDSDSDS
DSDSDS
DSDSDS
DSDS DS DSDS DSDS DS DSDSDS DS DSDS
DSDS
DSDS
DS
DS
DSDS
DSDSDS
DSDS
DSDSDS
DSDSDS DSDSDS
DS
DS
DSDS
DS
0 500000 1000000 1500000 2000000 2500000 3000000 3500000
0500
1000
1500
2000
Linear Predictive Coding ARIMA based dissimilarity matrix projection
NNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNCCCCCCCCCCCCCCCCCCCCCC CCCCCCCCCCCCCCCCCCCCCCCC
C
CCCCCCCCCCCCCCCCCCCCCCC
C
CCCCC
C
CCCCCCCCCCCCCCCCCCCCCCCITITITITITITITITITITITITITITITITITITITITITITITITITITITITITITITITITITITITITITITITITIT
IT
ITITITITITITITITITITITITITITITITITITITITITITITITITITITITITITITITITITITITITITITITITITITITITITITITITITITITITITITITITDTDTDTDTDTDTDTDTDTDTDTDTDTDTDTDTDTDTDTDTDTDTDTDTDTDTDTDTDTDTDTDTDTDTDTDTDTDTDTDTDTDTDTDTDTDTDTDTDTDTDTDTDTDTDTDTDTDTDTDTDTDTDTDTDTDTDTDTDTDTDTDTDTDTDTDTDTDTDTDTDTDTDTDTDTDTDTDTDTDTDTDTDTDTDTDTDTDTDTDTUS
US
USUSUSUSUSUSUSUSUSUSUSUSUSUSUSUSUSUSUSUSUSUSUSUSUSUSUSUSUSUSUSUSUSUSUSUSUSUSUSUSUSUSUSUSUSUSUSUSUSUSUSUSUSUSUSUSUSUSUSUSUSUSUSUSUSUSUSUSUSUSUSUSUSUSUSUSUSUSUSUSUSUSUSUSUSUSUSUSUSUSUSUSUSUSUSUSUSUSDSDSDSDSDSDSDSDSDSDSDSDSDSDSDSDSDSDSDSDSDSDSDSDSDSDSDSDSDSDSDSDSDSDSDSDSDS
DS
DSDSDSDSDSDSDSDSDSDSDSDSDSDSDSDSDSDSDSDSDSDSDSDSDSDSDSDSDSDSDSDSDSDSDSDSDSDSDSDSDSDSDSDSDSDSDSDSDSDSDSDSDSDSDSDSDSDSDSDSDSDS
−150 −100 −50 0 50 100
−100
−50
050
100
Adaptive dissimilarity index matrix projection
NN
NN
N
N
N NN
N
N
N
N
N
N
NN
N
N
NN
N
N
N
NNNN
NN
N
NN
N
NNN
N
N
N
N
NNN
N
N
N
NN
N
NNNN
N
N
NN
N
NN
NN
NNN
N
N
N
NN
N
N
NN
N
N
NN
N
N
NN
N
N
N
NN
N N
N
N
NN
N
NNNN
N
CC
CC
CC
CCC
C
C
C
CC
C
C
C
C
C
C
C
C
C
C
C
C
C
C
CCC
C
C
C
C
C
C CC
C
CC
C
CCC
CC
CCC
C
C
CC C
C
C
C
C
C CC
CC
C
CC
C
C
C
C
C
C
CCC
C
C
C
CC
C
C
C
C
CCCC
C
C
C
C
C
C
C
C
C
C IT
IT
IT
IT
IT
IT
IT
IT
IT
IT
IT
IT
IT
IT
IT
ITIT
IT
IT
IT
IT
IT
IT
IT
IT
IT
IT
ITIT
IT
IT
IT
IT
IT
IT
IT
IT
IT
ITIT
IT
IT
ITIT
IT
IT
ITIT
IT
IT
IT
IT IT
IT
IT
IT
IT
IT IT
IT
IT
ITIT
IT
IT
IT
IT
IT
IT
IT
IT
IT
ITIT
IT
IT
IT
IT
IT
IT
IT
IT
ITIT
IT
IT
ITIT
ITIT
IT
IT
IT
IT
IT
ITIT
IT
IT
IT
DT
DT
DT
DTDT
DT
DT
DT
DT
DT
DT
DT
DT
DT
DT
DT
DT
DT
DT
DT
DT
DT
DT
DT
DT
DT
DT
DT
DT
DTDT
DTDT
DT
DT
DT
DT
DT
DT
DT
DT
DT
DT
DT
DT
DTDT
DT
DTDT
DT
DT
DT
DT
DT
DTDT
DTDT
DT
DT
DT
DT
DT
DT
DTDT
DT
DT
DT
DT
DT
DT
DT
DT
DTDTDT
DT
DT
DT
DT
DTDT
DT
DT
DT
DT
DT
DT
DT
DT
DT
DT
DT
DT
DT
DT
DTDT
USUS
US
USUS
US
US
USUS
USUSUS
US
US
US
US
US
US
US
USUS
US
US
US
US
US
USUS
US
US
US
US
US
US
US
US
US
USUS
US
US
US
US
US
USUS
US
US
US
USUS
US USUS
US
US
US
US
US US
US
USUS US
US
USUS
US
US USUS
US US
US
US
US
US
US
US
US
US
USUS
US
US
US
US
US
USUS
USUS
US
US
US
US
US
USUS
US
DS
DS
DS
DS
DS
DS DS
DS
DS
DSDS
DS
DS
DSDS
DS
DS
DS
DS
DS
DS
DS
DS
DSDS
DS
DS
DS
DS
DS
DS
DS
DS
DSDS
DS
DSDS
DS
DS
DS
DS
DSDS
DS
DS
DSDSDS
DS
DS
DS
DS DSDSDS
DS
DSDS
DS
DS
DS
DS
DS
DS
DSDS
DS
DS
DS
DS
DS
DSDS
DS
DS
DS
DS
DS
DS
DS
DS
DSDS
DSDSDS
DS
DS
DS
DS
DSDS DSDS
DS
DSDS
DS
DS
−0.8 −0.6 −0.4 −0.2 0.0 0.2 0.4
−0.4
−0.2
0.0
0.2
0.4
0.6
ARIMA based, Piccolo−1990 dissimilarity matrix projection
N NN
N
N
N
N
N
NNNN
N
N
N
N NNN
NNN NN
N
N
N
N
NN
N
N
N NNN
N
N
NNN
NN
NN
N
NN
N
N
NN
N
NN
N
N
N
NN
NN
NNN
N
N
NN NN
NN
N
N
NN
N NN
N
NN
N
N
NN N
N
NN
N
NNN
N
N
NN
N
C
C
C
CC
C
C
C
C
C
C
C
C
C
C
C
C CC
C
C
C
C
C
C
C
C
CC
C
C
C
C
C
C
C CC
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C CC
C C
C
C
C
C
C
CC
C
C
C
C
C
CC
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
CC
C
C
C
C
CC
C
IT IT
IT
ITIT
IT
ITIT
IT
IT
IT IT
IT
IT
IT
IT
IT
IT
IT
ITIT
IT IT
IT
IT
ITIT
ITIT
IT
IT
IT
ITITIT
IT
IT
IT
ITIT
IT
IT
IT
IT
IT
IT
IT
IT
IT
IT
IT
IT
IT
IT
IT
IT
IT
IT
IT
ITIT
IT
IT
ITIT
IT
IT
IT
IT
IT
IT
IT
IT
IT
IT IT IT
IT
IT
IT
IT
IT
IT
IT
IT
IT
IT
IT
IT
IT
IT
IT
IT
IT
IT
IT
IT
IT
IT
IT DT
DT
DT
DT
DT
DTDT
DT
DT
DT
DT
DT
DT
DT
DT
DTDT
DT
DT
DT
DT
DT
DT
DT
DT
DT
DT
DT
DT
DTDT
DTDT
DT
DT
DT
DT
DT
DT
DT
DT
DT
DT
DT
DT
DT
DT
DTDT
DT
DT
DT
DT
DTDT
DTDT
DTDT
DT
DT
DT
DT
DTDT
DT
DTDT
DTDTDT
DT
DT
DT
DT
DT
DT
DT
DT
DT
DT
DT
DT
DT
DT
DT
DT
DTDT
DT
DTDT
DTDT
DT
DTDT
DT
DT
DT
US
US
US
US
US
US US
USUS
US
US
US
US
US
US
USUS
USUS
US
US
US
US
US
US
US
US
US
US
US
USUS
US
US
US
US US
US
US
US USUS
US
US
USUS
US
US
US
USUS
US
USUS
US
US
US
US
US
US
US
US
US USUS
US
US
US
US
US
US
US
US
US
US
US
US
US
US
US US
US
US
US
US
US
US
USUS
US
US
US
US
US
USUS
US
US
US
US
DS
DS
DS DS
DS
DS
DS
DS
DS
DS
DS
DS
DS
DS
DS
DS
DS
DSDS
DSDSDS
DS
DS
DS
DS
DS
DS
DS
DS
DS
DS
DS
DS
DS
DS
DS
DS
DS
DSDS
DS
DSDS
DS
DS
DS
DS
DS
DS
DSDS
DSDS
DS
DS
DS
DS
DS
DS
DSDS
DSDS
DS
DS
DS
DS
DS
DS
DS
DS
DS
DS
DSDS
DS
DS
DS
DS
DS
DS
DS
DS
DSDS
DS
DS
DS
DS
DSDS
DS
DS
DS
DS
DS
DS
DS
DS
20 / 38
Experimental Results
Numerically Intensive Methods Comparison
−10 −5 0 5
−50
5
Autocorrelation based dissimilarity matrix projection
NNNNN
N NNN NNNN
N
N
NN
NN
NNN NNNNNN
N NN
N
NN
NN NNN
NN
N
NN
N
NNN NNNNNN
NNNNN
NNN NNN
NNN
NNN
NN
NNNNNN
NNN
NN
NN
NNN
NNN
NNN NNNNN
C
C
C
C
C
C
C
C
C
CC
CC
C
C CC
C
C
CC
CC
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
CC
CC
C
C
C
C
CC
C
C
C
C
C
C
C
C
C
C
C
C
CC
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
ITIT ITITITIT IT
IT ITITITITITIT IT IT
IT ITIT IT
IT
IT ITIT ITITIT IT ITITITIT ITITITIT ITITITITITIT
IT ITITIT ITIT ITIT ITIT IT ITITIT
ITIT ITIT
ITITIT ITIT IT ITIT ITITIT
ITIT
ITIT
ITIT IT
ITITIT IT ITIT IT
IT IT ITIT
IT
ITIT
ITIT ITITIT IT IT IT DTDT
DTDT
DTDTDTDT
DTDTDT DTDT
DTDT DT
DT DTDT DT DTDT
DTDTDTDTDTDT
DTDTDT DTDTDT DTDTDT DT
DTDTDT DTDTDT
DT
DT DTDTDT
DTDTDT
DTDT DT DTDTDTDT
DTDTDT
DTDT DTDT DT DTDT
DT
DTDTDT
DTDT
DT DTDT DTDT
DTDTDTDT DTDT
DT DTDTDT DTDT DTDTDT DT
DTDTDTDTUS
US
US
USUS US US
USUS US
US USUSUS
USUSUSUSUS
US US
US
US USUSUSUSUS US
USUSUS US
USUS
US USUS USUS USUS US USUSUSUS USUS
US USUSUS
USUS
USUS
USUS USUSUSUS
US
USUSUSUS
US USUS
US
USUSUS US
USUS
USUS
US
USUS
USUS
USUSUS
US USUS
USUS
USUSUS USUSUS
US
DSDSDS
DS
DS
DSDSDS DS
DSDSDSDSDS DS
DSDS
DSDSDS DS
DS
DS
DSDSDS
DSDSDS
DS
DS
DSDS DSDS
DSDS
DSDSDS
DS DS
DS
DSDS
DSDSDS
DSDSDSDSDS
DSDSDS
DSDSDS
DSDS DS DSDS DSDS DS DSDSDS DS DSDS
DSDS
DSDS
DS
DS
DSDS
DSDSDS
DSDS
DSDSDS
DSDSDS DSDSDS
DS
DS
DSDS
DS
0 500000 1000000 1500000 2000000 2500000 3000000 3500000
0500
1000
1500
2000
Linear Predictive Coding ARIMA based dissimilarity matrix projection
NNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNCCCCCCCCCCCCCCCCCCCCCC CCCCCCCCCCCCCCCCCCCCCCCC
C
CCCCCCCCCCCCCCCCCCCCCCC
C
CCCCC
C
CCCCCCCCCCCCCCCCCCCCCCCITITITITITITITITITITITITITITITITITITITITITITITITITITITITITITITITITITITITITITITITITIT
IT
ITITITITITITITITITITITITITITITITITITITITITITITITITITITITITITITITITITITITITITITITITITITITITITITITITITITITITITITITITDTDTDTDTDTDTDTDTDTDTDTDTDTDTDTDTDTDTDTDTDTDTDTDTDTDTDTDTDTDTDTDTDTDTDTDTDTDTDTDTDTDTDTDTDTDTDTDTDTDTDTDTDTDTDTDTDTDTDTDTDTDTDTDTDTDTDTDTDTDTDTDTDTDTDTDTDTDTDTDTDTDTDTDTDTDTDTDTDTDTDTDTDTDTDTDTDTDTDTDTUS
US
USUSUSUSUSUSUSUSUSUSUSUSUSUSUSUSUSUSUSUSUSUSUSUSUSUSUSUSUSUSUSUSUSUSUSUSUSUSUSUSUSUSUSUSUSUSUSUSUSUSUSUSUSUSUSUSUSUSUSUSUSUSUSUSUSUSUSUSUSUSUSUSUSUSUSUSUSUSUSUSUSUSUSUSUSUSUSUSUSUSUSUSUSUSUSUSUSUSDSDSDSDSDSDSDSDSDSDSDSDSDSDSDSDSDSDSDSDSDSDSDSDSDSDSDSDSDSDSDSDSDSDSDSDSDS
DS
DSDSDSDSDSDSDSDSDSDSDSDSDSDSDSDSDSDSDSDSDSDSDSDSDSDSDSDSDSDSDSDSDSDSDSDSDSDSDSDSDSDSDSDSDSDSDSDSDSDSDSDSDSDSDSDSDSDSDSDSDSDS
−150 −100 −50 0 50 100
−100
−50
050
100
Adaptive dissimilarity index matrix projection
NN
NN
N
N
N NN
N
N
N
N
N
N
NN
N
N
NN
N
N
N
NNNN
NN
N
NN
N
NNN
N
N
N
N
NNN
N
N
N
NN
N
NNNN
N
N
NN
N
NN
NN
NNN
N
N
N
NN
N
N
NN
N
N
NN
N
N
NN
N
N
N
NN
N N
N
N
NN
N
NNNN
N
CC
CC
CC
CCC
C
C
C
CC
C
C
C
C
C
C
C
C
C
C
C
C
C
C
CCC
C
C
C
C
C
C CC
C
CC
C
CCC
CC
CCC
C
C
CC C
C
C
C
C
C CC
CC
C
CC
C
C
C
C
C
C
CCC
C
C
C
CC
C
C
C
C
CCCC
C
C
C
C
C
C
C
C
C
C IT
IT
IT
IT
IT
IT
IT
IT
IT
IT
IT
IT
IT
IT
IT
ITIT
IT
IT
IT
IT
IT
IT
IT
IT
IT
IT
ITIT
IT
IT
IT
IT
IT
IT
IT
IT
IT
ITIT
IT
IT
ITIT
IT
IT
ITIT
IT
IT
IT
IT IT
IT
IT
IT
IT
IT IT
IT
IT
ITIT
IT
IT
IT
IT
IT
IT
IT
IT
IT
ITIT
IT
IT
IT
IT
IT
IT
IT
IT
ITIT
IT
IT
ITIT
ITIT
IT
IT
IT
IT
IT
ITIT
IT
IT
IT
DT
DT
DT
DTDT
DT
DT
DT
DT
DT
DT
DT
DT
DT
DT
DT
DT
DT
DT
DT
DT
DT
DT
DT
DT
DT
DT
DT
DT
DTDT
DTDT
DT
DT
DT
DT
DT
DT
DT
DT
DT
DT
DT
DT
DTDT
DT
DTDT
DT
DT
DT
DT
DT
DTDT
DTDT
DT
DT
DT
DT
DT
DT
DTDT
DT
DT
DT
DT
DT
DT
DT
DT
DTDTDT
DT
DT
DT
DT
DTDT
DT
DT
DT
DT
DT
DT
DT
DT
DT
DT
DT
DT
DT
DT
DTDT
USUS
US
USUS
US
US
USUS
USUSUS
US
US
US
US
US
US
US
USUS
US
US
US
US
US
USUS
US
US
US
US
US
US
US
US
US
USUS
US
US
US
US
US
USUS
US
US
US
USUS
US USUS
US
US
US
US
US US
US
USUS US
US
USUS
US
US USUS
US US
US
US
US
US
US
US
US
US
USUS
US
US
US
US
US
USUS
USUS
US
US
US
US
US
USUS
US
DS
DS
DS
DS
DS
DS DS
DS
DS
DSDS
DS
DS
DSDS
DS
DS
DS
DS
DS
DS
DS
DS
DSDS
DS
DS
DS
DS
DS
DS
DS
DS
DSDS
DS
DSDS
DS
DS
DS
DS
DSDS
DS
DS
DSDSDS
DS
DS
DS
DS DSDSDS
DS
DSDS
DS
DS
DS
DS
DS
DS
DSDS
DS
DS
DS
DS
DS
DSDS
DS
DS
DS
DS
DS
DS
DS
DS
DSDS
DSDSDS
DS
DS
DS
DS
DSDS DSDS
DS
DSDS
DS
DS
−0.8 −0.6 −0.4 −0.2 0.0 0.2 0.4
−0.4
−0.2
0.0
0.2
0.4
0.6
ARIMA based, Piccolo−1990 dissimilarity matrix projection
N NN
N
N
N
N
N
NNNN
N
N
N
N NNN
NNN NN
N
N
N
N
NN
N
N
N NNN
N
N
NNN
NN
NN
N
NN
N
N
NN
N
NN
N
N
N
NN
NN
NNN
N
N
NN NN
NN
N
N
NN
N NN
N
NN
N
N
NN N
N
NN
N
NNN
N
N
NN
N
C
C
C
CC
C
C
C
C
C
C
C
C
C
C
C
C CC
C
C
C
C
C
C
C
C
CC
C
C
C
C
C
C
C CC
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C CC
C C
C
C
C
C
C
CC
C
C
C
C
C
CC
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
CC
C
C
C
C
CC
C
IT IT
IT
ITIT
IT
ITIT
IT
IT
IT IT
IT
IT
IT
IT
IT
IT
IT
ITIT
IT IT
IT
IT
ITIT
ITIT
IT
IT
IT
ITITIT
IT
IT
IT
ITIT
IT
IT
IT
IT
IT
IT
IT
IT
IT
IT
IT
IT
IT
IT
IT
IT
IT
IT
IT
ITIT
IT
IT
ITIT
IT
IT
IT
IT
IT
IT
IT
IT
IT
IT IT IT
IT
IT
IT
IT
IT
IT
IT
IT
IT
IT
IT
IT
IT
IT
IT
IT
IT
IT
IT
IT
IT
IT
IT DT
DT
DT
DT
DT
DTDT
DT
DT
DT
DT
DT
DT
DT
DT
DTDT
DT
DT
DT
DT
DT
DT
DT
DT
DT
DT
DT
DT
DTDT
DTDT
DT
DT
DT
DT
DT
DT
DT
DT
DT
DT
DT
DT
DT
DT
DTDT
DT
DT
DT
DT
DTDT
DTDT
DTDT
DT
DT
DT
DT
DTDT
DT
DTDT
DTDTDT
DT
DT
DT
DT
DT
DT
DT
DT
DT
DT
DT
DT
DT
DT
DT
DT
DTDT
DT
DTDT
DTDT
DT
DTDT
DT
DT
DT
US
US
US
US
US
US US
USUS
US
US
US
US
US
US
USUS
USUS
US
US
US
US
US
US
US
US
US
US
US
USUS
US
US
US
US US
US
US
US USUS
US
US
USUS
US
US
US
USUS
US
USUS
US
US
US
US
US
US
US
US
US USUS
US
US
US
US
US
US
US
US
US
US
US
US
US
US
US US
US
US
US
US
US
US
USUS
US
US
US
US
US
USUS
US
US
US
US
DS
DS
DS DS
DS
DS
DS
DS
DS
DS
DS
DS
DS
DS
DS
DS
DS
DSDS
DSDSDS
DS
DS
DS
DS
DS
DS
DS
DS
DS
DS
DS
DS
DS
DS
DS
DS
DS
DSDS
DS
DSDS
DS
DS
DS
DS
DS
DS
DSDS
DSDS
DS
DS
DS
DS
DS
DS
DSDS
DSDS
DS
DS
DS
DS
DS
DS
DS
DS
DS
DS
DSDS
DS
DS
DS
DS
DS
DS
DS
DS
DSDS
DS
DS
DS
DS
DSDS
DS
DS
DS
DS
DS
DS
DS
DS
21 / 38
Experimental Results
Our approach
−0.15 −0.10 −0.05 0.00 0.05 0.10 0.15
−0.2
−0.1
0.0
0.1
GCDD based dissimilarity matrix projection
N N NNN
N
N
NN N
NN
NN
N
NNN
N N
NN
N
NN
NNN
N N
NNN
NN
N
N
NN
N
N
NN N
NN
NN NN
NNN NN
NNN
NN
NN
N
N N
N
NNN
NNN
N
NN
N
N
N
NN
N N
NN
NN
NNNN
NN
NN
N
NN
N
N
N
CC
CC
C
C
C
C
CC
C
C
C
C
C
CC
CC
C
C
C
C
CC
C
C
CC
C
C
C
CC
C
C
C
C
C
C C
CCC
C
C
C
CC
C
CC
CC
C
C
C
C
CC
C
C
CC
CC
CCC
CCC
C
C
C CC
CC CC
C
C
CC
C
C CC
C
CC
C
C
C
C CC
CC
ITIT
ITIT
IT
IT
ITITIT
IT
IT
IT
IT
IT
IT
IT
IT
IT
IT
ITIT
IT
IT
IT
ITIT
IT
ITIT
ITITIT
IT
ITIT IT
ITIT
ITITIT
IT
IT
ITIT
IT
IT
ITIT
IT
IT
ITITIT
IT
IT
ITITIT
IT
ITIT
IT
ITIT
ITIT
ITITITITIT
ITIT
IT
IT
IT IT
IT
IT
IT
IT
ITIT
IT
IT
ITIT ITIT
ITITIT
IT
IT
IT
IT
IT
IT
IT
DT
DT
DT
DT
DT DT
DT
DTDT
DTDT
DT
DTDT
DT
DT
DT
DT
DTDTDT
DT
DT
DT
DTDT
DTDTDTDT
DT
DT
DT
DT
DT
DT
DT
DT
DT
DTDT
DTDT
DTDT
DT
DTDT
DT
DT DTDT
DT
DT
DT
DT
DT
DTDT
DT
DT DT
DT
DT
DT
DT
DTDT
DTDT
DTDT
DT
DT
DT
DT
DT
DT
DT
DT
DT
DT
DT
DTDT
DT
DT
DT
DT
DT
DT
DT
DT
DT
DT
DT
DT
DT DTDT
US
US US
US
US
USUS
US
US
US
US US
USUS
US USUS
US
US US
US
US
US
USUS
USUS
US
US US
US
US
USUS
US
US
US
US
US
US
USUS
US
US
US
US
US US
US
US
US
US
US
US
US
US
US
USUS
US
USUSUS
US
USUS
USUSUS
US
USUS
US
US
US
US USUS
US
US
US
US
USUS
US
US
USUS
US
USUS
US
US
US
USUS
US
US
US
US
DS
DS
DS
DS
DS
DS
DS
DS
DS
DS
DS
DS
DS
DS
DS
DS
DS
DS
DSDS
DS
DSDS DS
DS
DS
DS
DSDSDS
DS
DS
DSDS
DS
DS
DS
DS
DS
DS
DSDS
DS
DS
DS
DS
DS
DS
DSDS
DS
DSDS
DSDSDSDS
DS
DS
DS
DS
DSDSDS
DSDS
DS DS
DS
DSDS
DS
DS
DS
DS
DS
DS
DS
DS
DSDS
DS
DSDS
DSDS
DSDSDS
DS
DS
DS
DS
DSDS
DSDS
DS
DS
DS
−0.15 −0.10 −0.05 0.00 0.05 0.10 0.15
−0.10
−0.05
0.00
0.05
0.10
0.15
NCD based dissimilarity matrix projection
NNNN
NNNN
N
N
NNN
N
NN
N N NNN
N
N
N
NN
N
N
N
N
NN
N
N
N
NN
N
N
N
N N
N
NNN
N
N
N
N
N
NN
N
NN
NN
NN
NN
N
NN
N
NNNN NNNN
NNNN
N
N
N
NN
N N
N
N
NNN
NN
N
N
NNNNNN
CC
C
C
C
C
C C
C
C
C
C
C
C
C
C
C
C C
C
C
C
C
C
C
C
C
CC
C
CC
C
C C
C
CC
C
CC
C
CC
C
C
CC
C
C
C
C
CC
C
CC
C
C
C
C
C
CCC
C
C
C
C
C C
C
C
CC
C
C
C
C
CCC
C
CC
C
CCC
C
C
C
C
C
C
C
C
C
C
C
ITIT
IT
IT
IT
IT
IT
IT
IT
IT
IT
IT
IT
IT
IT IT
IT
IT
IT
IT
IT
IT
IT
IT
IT
IT
IT
IT IT
ITITIT
ITIT
IT IT
IT
IT
IT
IT
IT
IT
ITIT
IT
IT
ITIT
IT
IT
IT
IT
IT
IT
IT
IT
IT
IT
IT
IT
ITIT
IT
ITIT
IT
IT
ITITIT
ITIT
IT
IT
IT
IT
ITIT
IT
IT
IT
IT
IT
IT
IT
ITIT
IT
IT
IT IT
IT
IT
IT
IT
IT
IT
IT
IT
IT
DT
DTDT
DT
DTDT
DT
DT
DT
DTDT DT
DT
DT
DTDT
DT
DT
DT
DT
DT DT
DT
DT
DT
DT
DT DT
DT DT
DT
DT
DT
DT
DT
DT
DT
DT
DT
DT
DT
DT
DT
DT
DTDT
DT
DTDT
DT
DT
DT
DT
DT
DT
DT
DT
DTDTDT
DT
DT
DT
DT
DT
DT
DTDT
DTDT
DTDT
DT
DT
DTDT
DTDT
DTDT
DT
DT
DT
DT
DT
DT
DT
DT
DT
DT
DT
DT
DT
DT
DT
DT
DT
DT
DT
DT
US
US
US
USUS
US
US
US
US
US
US
US
US
US
US
US
US
US
US
USUS
US
US
US
US
USUS
USUS
US
US US
US
US
US
US
US
US
US
US
US
US
US
US
US
US
US
US
US
USUSUS
US
US
US
US
USUS
US
US
US
USUS
US
USUS
US
USUSUS
US
US
US
US
US
US USUS
US
US
US
US
USUS US
USUS
USUS
USUS
US
US
US
US
US
US
US
USUS DS
DS
DS
DS
DS
DS
DS
DS
DS
DS
DS
DS
DS
DS
DSDS DS
DS
DS
DS
DS
DSDS
DS
DS
DS
DSDS
DS
DS
DS
DS
DS
DS
DS
DS
DS
DSDS
DSDSDS
DSDS
DSDS
DS
DS
DSDS
DS
DSDS
DS
DS
DS
DS
DS
DSDS
DS
DSDS
DS
DS
DS
DS
DS
DS
DS
DS
DS
DS
DS
DS
DS
DS
DS
DS
DS
DS
DS
DSDS
DS
DS
DS
DS
DS
DS
DSDS
DS
DSDS
DSDS
DS
DS
DS
−100 −50 0 50 100
−80
−60
−40
−20
020
40
L2 norm based dissimilarity matrix projection
NNNN N
NN NN NN N
NNNN
N
N
N N
NNNN NNN
N
NN
N
NNNNNN
N
N
N
NNNNN
NNNN
N
NNNN
NNN
N
N
NNN
NNN
N
N
N
N NNNN
N
NNNNNNN
N
NNNNNN
N
NNNNNNNNN
NN
C
C
C
C
C
CC
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C CC
C
C
C
C
C
C
C
C
C
C
C
C C
C
C
C
C
CC
C
C
C
C
C
C
C
C C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
CC
C
C
C
C
ITITIT
ITIT
IT IT
IT ITITIT
IT ITIT
IT ITIT ITIT
IT
IT
ITIT
IT
IT
ITIT
ITIT
ITIT
ITIT
ITITIT IT
ITIT ITITIT
ITIT
ITIT
IT
ITIT
IT ITIT
IT ITIT
ITIT
ITIT
ITITITIT
ITITIT ITITIT
ITIT
ITIT
IT
ITIT ITIT
IT
IT ITIT
ITIT ITIT
ITIT
IT
IT
IT
ITIT
IT
ITITIT IT
ITIT
DT
DT
DT
DT DTDTDTDT
DTDTDT
DT
DTDT
DT
DT DTDT
DTDTDTDT
DT
DT
DTDT
DTDT
DT
DT
DT
DT DTDTDT
DTDTDT DTDT
DTDT
DT DTDT
DTDT
DT
DT
DTDT
DTDT DTDT
DTDT
DT
DT
DTDTDTDT DT
DTDTDT
DT
DT
DT DTDTDTDT DT DT
DT
DT
DTDT
DTDTDT
DTDTDT
DTDTDT DT
DT
DTDT
DT
DT
DT
DTDT DT
DTUS
US
US
USUS
US
USUSUS
USUS
US
US USUS
USUSUS
US
USUS
US
USUS
USUS
USUS US
US USUS US
USUS
USUSUS
USUSUS
US US
US
USUSUS
US
US
USUSUS USUS US
US
US
USUS US
USUS
US
US
US
US
USUS
US USUS
US
US
US
US
US
US
US
USUS
US
US
US
US
USUS USUSUS
USUS
US
US
USUS
USUS
USUSUS
DS
DSDS
DS
DS
DS
DSDS
DSDSDSDS
DS
DS
DSDS
DSDSDSDSDSDS
DS
DS
DSDS
DS DS
DS
DS DSDS
DS
DS
DS
DSDSDS
DSDS
DS
DS
DS
DS
DSDSDS
DSDS
DSDS
DS
DS
DSDSDSDS
DS
DSDS
DSDSDS
DSDS DS
DSDS
DSDSDS
DS DSDS
DSDS
DS
DS
DS
DS
DS
DS
DS
DSDS
DS
DS
DSDS
DS
DSDS
DSDS
DS
DSDSDSDS
DS
−1.0 −0.5 0.0 0.5
−0.8
−0.6
−0.4
−0.2
0.0
0.2
0.4
Correlation based dissimilarity matrix projection
N
NN
NN
N
N
N
NN
N
N
N
NN
N
N
N
N
N
N N
NN
NN
N
N
N
N
N
N
NN
N
N
N
N
N
N
N
NN
NN
N
N NN
N
N
NNN
N
NN
N
N
N
N
N
NN
N
N
N
N
N
N
N
NN
N
NN
N
N
N
N
N
N
NN
N
N
NN
N
N
N
N
N
N
N
N
N
N
N
N
C
C
C
C
C
C
C
C
C
C
C
C
C
CC
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
CC
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
CC C
C
C
C
C
C
C
C
C
C
CC
CC
C
C
C
C
CC
C
C
C
C
C
C
C
CC
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
ITIT
ITIT
IT
ITIT
ITITIT
ITITIT
ITIT
IT ITIT
IT
IT
IT
IT
IT
IT
IT
IT
IT
IT
IT
IT
IT
IT
IT
IT
ITITIT
ITITITITIT
IT
ITIT
IT
IT
IT
ITIT
IT
IT
ITIT
IT
ITIT
ITIT
IT
IT
ITIT
ITITITIT IT
IT
IT
IT
IT
IT
IT
IT ITIT
IT
IT
ITITITITITIT
IT
ITIT
IT
IT
IT
ITIT
IT
IT
ITIT
IT
IT
IT DT
DT
DT
DTDT
DTDT
DT
DT DT
DT
DT
DTDT
DT
DTDT DT
DTDTDT
DT
DT
DT
DT
DT
DT
DT
DT
DT
DT
DTDT
DT DTDTDTDT
DT DTDT
DTDTDT
DT
DT
DT
DT
DT
DTDT
DTDTDT
DT
DTDT
DT
DT
DT
DT
DTDTDT
DT
DTDTDT
DT
DTDTDT
DTDT
DTDT
DT
DT
DT
DTDTDT
DT
DT DTDT
DT
DTDT
DT
DT
DTDT
DT
DT
DT
DT
DTDT
DT
US
US
USUS
US
US
USUS
US
US
US
US
USUS
US
US
USUS
US
USUS
US
US
US
US
US
US
US
US
US
US USUS
US
US
US
US
US
US
USUS
USUS
US
USUS US
US
US
USUS
USUS
USUSUSUS
US
USUS
US
US
US
US
US
US
USUS
USUS
US
US
US
US
US
US
US
US
US
US
US
US
US
US
US
US
USUS
USUS
US
US
US
USUS
USUS
US
US
US
DS
DSDS
DS
DS
DS
DS
DS
DSDSDS
DSDS
DS
DS
DS
DS
DS
DS
DSDS
DSDS
DSDSDSDS
DS
DSDS
DSDS
DS
DS
DS
DS
DSDS
DS
DS
DS
DS
DS
DS
DS
DS
DS
DSDS
DS
DS
DS
DS
DS
DSDSDS
DS
DS
DSDS
DS
DSDSDS
DS
DSDSDS
DSDS
DSDS
DSDS
DS
DS
DS
DS
DSDS
DS
DS
DS
DS
DS
DS
DS
DS
DS
DS
DS
DSDS
DSDS
DS
DS
DS
DS
22 / 38
Implications
Proposed method could be used for
I unsupervised clusteringI supervised classificationI feature representation
Properties
I loses less informationI scales linearly with exponential growth of the input vector sizeI content independentI semantics is coded inside the extracted dictionary itselfI fast ;)
23 / 38
Thank [email protected]
24 / 38
References I
Bauer, Gerald and Paul Lukowicz (2012). “Can smartphonesdetect stress-related changes in the behaviour ofindividuals?” In: Pervasive Computing and CommunicationsWorkshops (PERCOM Workshops), 2012 IEEE InternationalConference on. IEEE, pp. 423–426.
Bogomolov, Andrey, Bruno Lepri, and Fabio Pianesi (2013).“Happiness Recognition from Mobile Phone Data”. In:Proceedings of the 2013 International Conference on SocialComputing (SocialCom 2013), pp. 790–795.
Bolger, Niall and Elizabeth A. Schilling (1991). “Personality andthe Problems of Everyday Life: The Role of Neuroticism InExposure and Reactivity to Daily Stressors”. In: Journal ofPersonality 59.3, pp. 355–386. ISSN: 1467-6494. DOI:10.1111/j.1467-6494.1991.tb00253.x. URL:http://dx.doi.org/10.1111/j.1467-6494.1991.tb00253.x.
25 / 38
References II
Box, G. E. P. and D. R. Cox (1964). “An Analysis ofTransformations”. In: Journal of the Royal Statistical Society.Series B (Methodological) 26.2, pp. 211–252. ISSN:00359246. DOI: 10.2307/2984418. URL:http://dx.doi.org/10.2307/2984418.
Breiman, Leo (2001). “Random Forests”. In: Mach. Learn.45.1, pp. 5–32. ISSN: 0885-6125.
Chittaranjan, Gokul, Jan Blom, and Daniel Gatica-Perez (2013).“Mining large-scale smartphone data for personality studies”.In: Personal Ubiquitous Comput. 17.3, pp. 433–450. ISSN:1617-4909. DOI: 10.1007/s00779-011-0490-1. URL:http://dx.doi.org/10.1007/s00779-011-0490-1.
Cohen, Jacob (1960). “A Coefficient of Agreement for NominalScales”. In: Educational and Psychological Measurement20.1, pp. 37–46. DOI: 10.1177/001316446002000104.URL:http://dx.doi.org/10.1177/001316446002000104.
26 / 38
References III
Cohen, S., Kessler R. C., and L. U. Gordon (1997). Measuringstress: A guide for health and social scientists. USA: OxfordUniversity Press.
Denissen, Jaap J. A. et al. (2008). “The effects of weather ondaily mood: A multilevel approach.” In: Emotion Researcher8.5, pp. 662–667.
Dong, Wen, Bruno Lepri, and Alex Pentland (2011). “Modelingthe co-evolution of behaviors and social relationships usingmobile phone data”. In: MUM, pp. 134–143.
Duggan, Conor et al. (1995). “Neuroticism: a vulnerabilitymarker for depression evidence from a family study”. In:Journal of Affective Disorders 35.3, pp. 139 –143. ISSN:0165-0327. DOI: http://dx.doi.org/10.1016/0165-0327(95)00062-3. URL: http://www.sciencedirect.com/science/article/pii/0165032795000623.
27 / 38
References IV
Eagle, Nathan and Alex Pentland (2006). “Reality mining:sensing complex social systems”. In: Personal andUbiquitous Computing 10.4, pp. 255–268.
Eagle, Nathan, Alex Sandy Pentland, and David Lazer (2009).“Inferring friendship network structure by using mobile phonedata”. In: Proceedings of the National Academy of Sciences106.36, pp. 15274–15278.
Faust, V, M Weidmann, and W Wehner (1974). “The influenceof meteorological factors on children and youths: A 10%random selection of 16,000 pupils and apprentices of BasleCity (Switzerland).” In: Acta Paedopsychiatrica: InternationalJournal of Child & Adolescent Psychiatry.
28 / 38
References V
Freund, Yoav and Robert E Schapire (1997). “ADecision-Theoretic Generalization of On-Line Learning andan Application to Boosting”. In: Journal of Computer andSystem Sciences 55.1, pp. 119 –139. ISSN: 0022-0000. DOI:http://dx.doi.org/10.1006/jcss.1997.1504. URL:http://www.sciencedirect.com/science/article/pii/S002200009791504X.
Garcia, Salvador and Francisco Herrera (2008). “An Extensionon "Statistical Comparisons of Classifiers over Multiple DataSets" for all Pairwise Comparisons”. In: Journal of MachineLearning Research 9, pp. 2677–2694. URL:http://www.jmlr.org/papers/volume9/garcia08a/garcia08a.pdf.
Giakoumis, Dimitris et al. (2012). “Real-time Monitoring ofBehavioural Parameters Related to Psychological Stress.”In: Studies in health technology and informatics 181, p. 287.
29 / 38
References VI
Gonzalez, M., C. Hidalgo, and L. Barabasi (2008).“Understanding individual mobility patterns”. In: Nature453.7196, pp. 779–782.
Goode, William J. (1960). “A Theory of Role Strain”. English.In: American Sociological Review 25.4, pp. 483–496. ISSN:00031224. URL:http://www.jstor.org/stable/2092933.
Gunthert Kathleen Cimbolic; Cohen, Lawrence H.;Armeli Stephen (1999). “The role of neuroticism in dailystress and coping.” In: Journal of Personality and SocialPsychology 77, pp. 1087–1100.
Hardt, J and HU Gerbershagen (1999). “No changes in moodwith the seasons: observations in 3000 chronic painpatients”. In: Acta Psychiatrica Scandinavica 100.4,pp. 288–294.
30 / 38
References VII
Healey, J.A. and R.W. Picard (2005). “Detecting stress duringreal-world driving tasks using physiological sensors”. In:Intelligent Transportation Systems, IEEE Transactions on 6.2,pp. 156–166. ISSN: 1524-9050. DOI:10.1109/TITS.2005.848368.
Howarth, Edgar and Michael S Hoffman (1984). “Amultidimensional approach to the relationship between moodand weather”. In: British Journal of Psychology 75.1,pp. 15–23.
John, Oliver P. and Sanjay Srivastava (1999). “The Big Five traittaxonomy: History, measurement, and theoreticalperspectives”. In: Handbook of Personality: Theory andResearch. Ed. by Lawrence A. Pervin and Oliver P. John.Second. New York: Guilford Press, pp. 102–138. URL:http://darkwing.uoregon.edu/\~sanjay/pubs/bigfive.pdf.
31 / 38
References VIII
Jovanov, E. et al. (2003). “Stress monitoring using a distributedwireless intelligent sensor system”. In: Engineering inMedicine and Biology Magazine, IEEE 22.3, pp. 49–55. ISSN:0739-5175. DOI: 10.1109/MEMB.2003.1213626.
Krackhardt, David (1992). “The strength of strong ties: Theimportance of philos in organizations”. In: pp. 216–239.
Krumme, C. et al. (2013). “The predictability of consumervisitation patterns”. In: Scientific Reports 1645.
Lane, Nicholas D. et al. (2010). “A Survey of Mobile PhoneSensing”. In: IEEE Communications Magazine 48.9,pp. 140–150.
Lathia, Neal et al. (2013). “Contextual Dissonance: Design Biasin Sensor-based Experience Sampling Methods”. In:Proceedings of Ubicomp 2013, pp. 183–192.
32 / 38
References IX
LiKamWa, Robert et al. (2013). “MoodScope: building a moodsensor from smartphone usage patterns”. In: Proceeding ofthe 11th annual international conference on Mobile systems,applications, and services. MobiSys ’13. New York, NY, USA:ACM, pp. 389–402. ISBN: 978-1-4503-1672-9. DOI:10.1145/2462456.2464449. URL:http://doi.acm.org/10.1145/2462456.2464449.
Lu, Hong et al. (2012). “StressSense: detecting stress inunconstrained acoustic environments using smartphones”.In: Proceedings of the 2012 ACM Conference on UbiquitousComputing. UbiComp ’12. New York, NY, USA: ACM,pp. 351–360. ISBN: 978-1-4503-1224-0. DOI:10.1145/2370216.2370270. URL:http://doi.acm.org/10.1145/2370216.2370270.
Madan, Anmol et al. (2012). “Sensing the "Health State" of acommunity”. In: IEEE Pervasive Computing 11.4, pp. 36–45.
33 / 38
References X
Majoe, D. et al. (2010). “Stress and sleep quality estimationfrom a smart wearable sensor”. In: Pervasive Computing andApplications (ICPCA), 2010 5th International Conference on,pp. 14–19. DOI: 10.1109/ICPCA.2010.5704068.
Miller, G. (1955). “Note on the bias of information estimates”.In: Information theory in psychology: Problems and methods2.95, p. 100. ISSN: 0899-7667.
Miller, Geoffrey (2012). “The Smartphone PsychologyManifesto”. In: Perspectives on Psychological Science 7.3,pp. 221–237. DOI: 10.1177/1745691612441215. URL:http://pps.sagepub.com/content/7/3/221.abstract.
34 / 38
References XIMontjoye, Yves-Alexandre et al. (2013). “Predicting Personality
Using Novel Mobile Phone-Based Metrics”. In: SocialComputing, Behavioral-Cultural Modeling and Prediction.Ed. by ArielM. Greenberg, WilliamG. Kennedy, andNathanD. Bos. Vol. 7812. Lecture Notes in ComputerScience. Springer Berlin Heidelberg, pp. 48–55. ISBN:978-3-642-37209-4. DOI:10.1007/978-3-642-37210-0_6. URL: http://dx.doi.org/10.1007/978-3-642-37210-0_6.
Muaremi, Amir, Bert Arnrich, and Gerhard Tröster (2012). “ASurvey on Measuring Happiness with Smart Phones”. In: 6thInternational Workshop on Ubiquitous Health and Wellness(UbiHealth 2012).
Oliveira, Rodrigo de et al. (2011). “Towards a psychographicuser model from mobile phone usage”. In: CHI’11 ExtendedAbstracts on Human Factors in Computing Systems. ACM,pp. 2191–2196.
35 / 38
References XII
Plarre, K. et al. (2011). “Continuous inference of psychologicalstress from sensory measurements collected in the naturalenvironment”. In: Information Processing in Sensor Networks(IPSN), 2011 10th International Conference on, pp. 97–108.
Quercia, Daniele et al. (2012). “Tracking "gross communityhappiness" from tweets”. In: CSCW, pp. 965–968.
Sanders, Jeffrey L and Mary S Brizzolara (1982).“Relationships between weather and mood”. In: The Journalof General Psychology 107.1, pp. 155–156.
Sano, Akane and Rosalind W. Picard (2013). “StressRecognition Using Wearable Sensors and Mobile Phones”.In: Proceedings of the 2013 Humaine AssociationConference on Affective Computing and IntelligentInteraction, pp. 671–676.
Scherer, Klaus R et al. (2002). “Acoustic correlates of task loadand stress.” In: INTERSPEECH.
36 / 38
References XIIISinatra, Roberta and Michael Szell (2014). “Entropy and the
Predictability of Online Life”. In: Entropy 16, pp. 543–556.Singh, Sanasam Ranbir, Hema A Murthy, and
Timothy A Gonsalves (2010). “Feature Selection for TextClassification Based on Gini Coefficient of Inequality.” In:Journal of Machine Learning Research-Proceedings Track10, pp. 76–85.
Singh, Vivek K et al. (2013). “Predicting Spending Behaviorusing Socio-Mobile Features”. In: Social Computing(SocialCom), 2013 International Conference on. IEEE,pp. 174–179.
Song, C. et al. (2010). “Limits of predictability in humanmobility”. In: Science 327, pp. 1018–1021.
Staiano, Jacopo et al. (2012). “Friends don’t lie: inferringpersonality traits from social network structure”. In:Proceedings of the 2012 ACM Conference on UbiquitousComputing. ACM, pp. 321–330.
37 / 38
References XIV
Stopczynski, Arkadiusz et al. (2014). “Measuring Large-ScaleSocial Networks with High Resolution”. In: PLoS ONE 9.
Suls, Jerry, Peter Green, and Stephen Hillis (1998). “EmotionalReactivity to Everyday Problems, Affective Inertia, andNeuroticism”. In: Personality and Social Psychology Bulletin24.2, pp. 127–136. DOI: 10.1177/0146167298242002.URL: http://psp.sagepub.com/content/24/2/127.abstract.
Tuv, Eugene et al. (2009). “Feature selection with ensembles,artificial variables, and redundancy elimination”. In: TheJournal of Machine Learning Research 10, pp. 1341–1366.
Vollrath, M. and S. Torgersen (2000). “Personality types andcoping”. In: Personal. Individ. Differ. 29, pp. 367–378.
38 / 38