本文旨在提出一种学习马氏距离来执行多变量时间序列对齐的方法，并将对齐问题作为结构预测任务来解决，提出了可行的优化方法在真实数据上进行实验证明此方法能够有效地提升对齐性能，并在基本音频特征的基础上提供了一种构建更好性能的特征组合的方法。

Sep, 2014

该论文提出了一种在潜在的全局转换情况下进行离散最优传输的通用框架，并通过采用灵活类的不变性来选择转换进行联合最优化求解，成功解决了包括无监督词汇翻译基准在内的各种任务。

Jun, 2018

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

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

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

提出了一种基于混合模型和数据驱动的时间变形网络 (TTN)，可用于降低类内差异并提高类间差异，在 3D 动作识别中获得了显著的改进。

Jun, 2019

本文提出了一种针对同一过程（如人类动作）的时间序列（例如视频）的弱监督表征学习方法，通过对全局时间序列进行对齐，并利用对齐的隐变量跨序列对的全局时间顺序作为监督信号进行表征学习，通过最优序列对齐进行嵌入网络的训练。通过大量实验表明，该方法在动作分类、少样本学习和视频同步等任务中均比之前的方法性能有了明显提高。

May, 2021

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

本研究提出了一种基于潜在的共享信息的贝叶斯方法，用于建模时间序列的非线性对齐，并将该方法应用于传感器数据中寻找风力涡轮机数据中的共同结构。提出的模型允许输入的任意对齐和非参数输出扭曲以转换观察结果。

Oct, 2017