本文介绍了一种使用文本翻译来改善无监督术语发现系统（UTD）结果的简单方法，并在一组西班牙语音频和英语翻译的语料库上进行了测试，结果表明，该方法在广泛的系统配置和数据预处理方法下大大提高了结果的平均精度。

Sep, 2016

本研究使用动态时间规整作为卷积神经网络关键词识别系统的训练监督技术，旨在利用少量带注释的语音语料，并结合大量未标记数据进行训练，从而在 UN 急需援助的非洲地区提供语音识别服务。结果表明，使用动态时间规整后的卷积神经网络系统，虽然不能达到动态时间规整系统的表现，但在极度有限的数据集上仍比使用传统卷积神经网络分类器的表现更优。

Jun, 2018

本文提出了 DP-DTW 方法，用于学习类别特定的判别式原型，以便在时间识别任务中实现更好的性能，并且结合端到端深度学习，可在标准基准测试中实现最先进的弱监督行动分割问题，并通过对所学行动原型的详细推理来启用输入视频的详细摘要，即可以通过将输入序列与行动原型对齐来获得基于行动的视频摘要。

Mar, 2021

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

本研究提出一种基于无监督方法的自动语音可懂度检测技术，使用 Wav2Vec-2.0 的自监督表示，考虑使用使用动态时间规整算法（DTW）计算对齐距离来区分可懂语音和不可懂语音。通过验证，该方法的检测准确率分别为 90.37％、92.57％和 96.58％。

Jun, 2023

本文介绍了一种可扩展的准确方法，用于使用动态时间扭曲 (DTW) 发现时间序列 Motifs，该方法可以在时间和较低下限的紧密度之间自动执行最佳权衡，并且在现实设置下，该算法可以删除多达 99.99％的 DTW 计算。

Sep, 2020

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

本论文提出一种模型，结合 IBM Model 2 和 k-means 聚类，使用动态时间规整作为距离度量，在极低资源情况下，该模型比神经模型表现更好，可用于将翻译的语音数据自动对齐。

Sep, 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