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

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

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

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

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

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

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。

Mar, 2017

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