Dec, 2018

神经扭曲网络：时间序列相似度

PDF
TL;DR该研究旨在提出一种新型的测量时间序列相似性的方法 ——NeuralWarp，通过建模深度表示空间中的时间序列索引的对齐模型，模拟乘法函数作为深层神经网络来建模。实验结果表明，相比于非参数方法和未调整的深层模型，NeuralWarp 在各种现实生活数据集上表现更好。
time-series similarity measureselastic methodsneuralwarpdeep learning approachesreal-life datasets
发现论文，激发创造
  • 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

  • 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

  • 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

  • 利用判别式 teacher 进行时间扭曲的神经网络时间序列数据增强

    本文旨在解决时间序列分类数据集较小的问题，提出了一种基于动态时间规整的数据增强方法 guided warping，使用深度卷积神经网络和循环神经网络对 85 个时序数据集进行了评估。

    Apr, 2020

  • 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

    本研究提出了一种名为 Autowarp 的算法，它利用序列自编码器优化学习特定的度量准则来衡量不加标签的时间序列轨迹之间的相似性，并在实验中表现良好。

    Oct, 2018

  • 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

  • 深度神经网络和双向动态时间扭曲算法的半监督三维视频信息检索

    该论文提出了一种新颖的半监督深度学习算法，用于基于视觉内容检索相似的 2D 和 3D 视频。该算法采用深度卷积和递归神经网络与动态时间扭曲作为相似性度量，能够处理大规模视频数据集，并根据图形帧和内容检索与给定查询视频片段最相关的视频。该方法在包括 CC_WEB_VIDEO、Youtube-8m、S3DIS 和 Synthia 等多个公共数据集上进行了测试，与最先进的方法相比表现良好。该算法有效地解决了视频检索任务，并优于基准深度学习模型。

    Sep, 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

  • 动态时间规整在时间序列回归中的影响案例研究

    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

  • 神经多序列对齐技术（NeuMATCH）

    本文提出了一种基于神经网络的、端到端的异构数据（视频到文本）对齐方法，采用长短时记忆（LSTM）模块栈移动数据进行对齐操作，避免了已有方法中的局限性和缺陷，并在半合成和实际数据上取得了领先于现有技术的表现。

    Feb, 2018