ICMLMar, 2017

Soft-DTW: 一种可微分的时间序列损失函数

PDF
TL;DR在这篇论文中，我们提出了一种基于动态时间规整（DTW）距离度量的可微学习损失函数，并利用软 DTW 来计算 DTW，该方法可用于平均时间序列和聚类时间序列，且在此任务中比现有基线表现更好。接着，我们通过最小化机器输出时间序列与基准标签的软 DTW 距离来调节其参数。
differentiable learning lossdynamic time warpingsoft-dtwtime seriesmachine learning
发现论文，激发创造
  • 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

  • 用于端到端对齐路径学习的深度声明动态时间规整

    本文提出了一种基于双层优化和深度声明网络的 DTW 层，可以将 DTW 表示为连续的优化问题，并计算出最优的对齐路径，可用于自动化的时间序列数据对齐。

    Mar, 2023

  • 可训练时间扭曲：在连续时间域中对齐时间序列

    本论文介绍一种新的可训练时间扭曲算法（TTW），该算法的时间复杂度线性增长，其使用 sinc 卷积核和梯度优化技术在连续时间域内执行对多个时间序列的对齐， 并在对 85 个 UCR 数据集的时间序列平均和分类任务中表现比广义时间扭曲（GTW）更优秀。

    Mar, 2019

  • 软动态时间规整用于多音高估计及拓展

    本文介绍了一种处理音乐信息检索中涉及的弱对齐数据的新技术 —— 软动态时间规整（SoftDTW），这是一种可微分的经典动态时间规整（DTW）变体，相较于 CTC 算法在算法形式上更加优雅，能够自然地扩展到实值目标序列，并在多标签问题方面达到了 CTC 最新扩展的水平，文中以多音调估计为例具体论述了该技术。

    Apr, 2023

  • 将不可比空间上的时间序列对齐

    本文提出了一种基于 Gromov 得距离度量不可比较空间上的时间序列之间的距离的 Gromov dynamic time warping (GDTW) 方法，为解决传统 DTW 方法不能比较不同空间上的时间序列的问题提供了一种有效的解决方案，并通过实验在多个领域展示了 GDTW 的效能。

    Jun, 2020

  • 时间序列和序列的不确定度 - DTW

    该研究介绍了如何对时间序列间的不确定性建模，通过最大似然估计等方法可以实现时间序列的预测和行为识别。

    Oct, 2022

  • 评估时间序列数据的动态时间规整度量

    综合评估了不同动态时间规整测度在时间序列数据处理任务中的性能，并提出了基于变异类型选择适当动态时间规整测度的指南。

    Feb, 2024

  • 利用卷积神经网络近似计算 EEG 数据的 DTW

    提出了一种快速且可微分的 DTW 近似算法，分别采用学习嵌入和回归直接预测 DTW 输出的两种结构，可用于时间序列检索和 EEG 数据集生成模型的端到端学习。

    Jan, 2023

  • shapeDTW: 形状动态时间规整

    为解决全局 DTW 算法匹配不合理的问题，本文提出一种名为 shapeDTW 的改进算法，它根据点对点的局部结构信息来提高匹配的精度。当 shapeDTW 作为距离度量用于最近邻分类器时，它在 84 个 UCR 时间序列数据集的 64 个上显著优于 DTW，并且通过使用适当设计的局部结构描述符，在 18 个数据集上将准确率提高了 10% 以上。

    Jun, 2016

  • 深度关注时间扭曲

    本文提出了一种神经网络模型来进行任务自适应时间对齐，使用注意力模型开发了一个明确的具有更大畸变不变性的时间对齐机制，并通过度量学习进行训练，与传统的基于 DTW 的可学习模型不同，它能够学习目标任务的最佳数据相关对齐，实验证明了我们模型在在线签名验证方面的超过 DTW 并且创造了最先进的性能。

    Sep, 2023