使用序列自编码器从未标记的时间序列学习变形距离的自动变形
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
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
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
我们提出了一种名为 E-DTWA 的新颖异常检测方法,它基于动态时间规整(DTW)算法,并加入了人在环路概念的额外改进,其主要优点包括高效的检测、基于专家检测反馈的灵活再训练以及低计算和空间复杂度。
Oct, 2023
本研究提出了 FCM-wDTW,一种用于多变量时间序列异常检测的无监督距离度量学习方法,通过将原始数据编码成潜在空间,并通过聚类中心揭示正常维度关系,引入局部加权 DTW 到模糊 C 均值聚类,并有效地学习最优潜在空间,通过数据重构实现异常识别。通过对 11 种不同类型的基准测试的实验表明,我们的方法具有竞争力的准确性和效率。
Mar, 2024
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
本文介绍了一种基于 Optimal Transport 的新的时间序列距离度量方法 ——Optimal Transport Warping(OTW),相对于传统的 Dynamic Time Warping 具有线性的时间 / 空间复杂度和可微分性、可并行性,OTW 在 1 - 最近邻分类和层次聚类等方面展现了出色的性能,并在使用于 Deep Learning 中代替 DTW 的情况下表现明显。
Jun, 2023
我们提出了 TimewarpVAE 算法,它是一个全可微的流形学习算法,通过使用动态时间规整(DTW)来同时学习时序变化和空间变异的潜在因素。我们展示了 TimewarpVAE 算法在手写和叉子操作数据集中学习适当的时间对齐和有意义的空间变异表示,其在空间重构测试中比基线方法具有更低的误差,并且所学习的低维表示可用于高效生成语义上有意义的新轨迹。
Oct, 2023
本文研究了使用 Dynamic Time Warping 方法对光谱时间序列数据进行相似性比对,并发现结合 k-Nearest Neighbour 算法可以提高准确性,但当数据跨越多个波长时,如果使用了平均值和方差等数据聚合统计方法,DTW 的效果将不明显,因此在机器学习中,有时候大数据胜过复杂模型。
Oct, 2020
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