May, 2010

递归编辑距离核及其在时间序列分类中的应用

PDF
TL;DR本文介绍了一些核心拓展，以用于字符串或时间序列全局对齐基于局部对齐获得的得分。所提出的扩展可以从弹性距离的经典递归定义中构建递归编辑距离（或时间战争）核。分类实验表明，当训练数据获得的成对距离矩阵远非确定时，正定递归弹性核通常优于用于经典弹性距离的距离替换核。
kernelsglobal alignmentelastic distancespositive definitesupport vector machines
发现论文，激发创造
  • 一种基于全局对齐的时间序列内核

    本文提出了一种新的核函数族，用于处理时间序列数据（尤其是语音数据），该方法借鉴了动态时间规整（Dynamic Time Warping）的基本操作，并采用动态规划技术来计算最优序列，该核函数是正定的，并且在语音识别任务中表现出令人鼓舞的结果。

    Oct, 2006

  • 时间序列匹配的时间扭曲编辑距离与硬度调整

    介绍了一种测量两个时间序列相似性的新方法 Time Warp Edit Distance (TWED)，该方法在动态规划算法中使用了图形编辑过程范例，并使用一种带有刚性参数的弹性量度来进行 “编辑操作”，可用于提高时间序列检索性能。

    Mar, 2007

  • D2KE: 从距离到核函数和嵌入

    针对结构化输入的机器学习问题，提出了一种只基于输入之间的距离度量而不是特征表示估算函数 f (x)，应用正定核泛函和重现核希尔伯特空间来构建算法，并将其与现有的基于距离学习的方法进行比较，结果表明该方法在分类实验中具有更好的推广性能。

    Feb, 2018

  • 时间扭曲编辑距离

    本技术报告详细介绍了一组时间扭曲距离，适用于离散时间序列上的编辑距离，其中基本操作应用于线性段，可控制弹性匹配的刚度；同时可用于处理事件数据，其中每个数据样本关联时间戳，不一定按照恒定采样速率获得。文中还提出并证明了这些距离具有的一些特性。

    Feb, 2008

  • 基于字符串核的序列分类的高效近似算法

    本文中，我们提出了一种新的技术，能够高效准确地估计序列之间的相似度得分，从而增加了序列分类方法在音频、图像和文本序列中的应用广度，并且取得了良好的理论和实验表现。

    Dec, 2017

  • 时间序列分类和聚类的广义时间扭曲不变字典学习

    本文介绍了一种基于广义时间对齐的词典学习算法，该算法使用连续基函数来提高时间对齐的连续性，并通过优化问题来联合优化时间对齐路径、词典和稀疏系数。该算法在分类和聚类方面表现出优秀的性能，并已在公共数据集上进行了验证。

    Jun, 2023

  • 随机扭曲序列：一种用于时序嵌入的随机特征方法

    本文研究了一类基于 Random Warping Series 特征嵌入的正定核方法，相比于其他基于 DTW 的方法，该方法不会受到 Gram 矩阵对角线支配和样本量二次计算复杂度的问题，并且自然地享有 Random Features 近似。16 个基准数据集的实验表明，该算法在分类和聚类任务中准确性和计算时间方面均优于其他算法。

    Sep, 2018

  • 包括动态时间规整的弹性距离的早期终止和修剪

    本研究提出了一种新的通用策略，将剪枝和早期中止与最近邻搜索相结合，支持多种弹性距离测量方法，并使用新的 C ++ 库进行时间序列分类。

    Feb, 2021

  • 时间序列之间的可微分差异

    本文提出了一种新的距离函数 ——soft-DTW 距离，并通过实验表明该函数在时间序列分类上的效果优于其他距离函数，如动态时间扭曲和 soft-DTW。

    Oct, 2020

  • 时间序列分析的同胚变换：非线性扭曲的高效方法

    这篇论文提出了一种新颖的弹性对齐方法，采用参数化和可微分的扭曲变换来克服动态时间规整（DTW）度量的不足，该方法适用于深度学习架构，鲁棒性强，具有计算效率高、表达和灵活性强等优点。

    Sep, 2023