MMFeb, 2021

包括动态时间规整的弹性距离的早期终止和修剪

PDF
TL;DR本研究提出了一种新的通用策略，将剪枝和早期中止与最近邻搜索相结合，支持多种弹性距离测量方法，并使用新的 C ++ 库进行时间序列分类。
nearest neighbor searchelastic distancestime series analysispruningearly abandoning
发现论文，激发创造
  • 利用双通道动态时间规整下限实现更快的检索

    本文提出了一种基于 LB Improved 相关思想的 Dynamic Time Warping 算法，相比于传统的 LB Keogh 方法，本方法能够更快速、准确地在时间序列中查找最近邻。

    Nov, 2008

  • 递归编辑距离核及其在时间序列分类中的应用

    本文介绍了一些核心拓展，以用于字符串或时间序列全局对齐基于局部对齐获得的得分。所提出的扩展可以从弹性距离的经典递归定义中构建递归编辑距离（或时间战争）核。分类实验表明，当训练数据获得的成对距离矩阵远非确定时，正定递归弹性核通常优于用于经典弹性距离的距离替换核。

    May, 2010

  • 基于专家增强的动态时间规整的异常检测

    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

  • 时间序列匹配的时间扭曲编辑距离与硬度调整

    介绍了一种测量两个时间序列相似性的新方法 Time Warp Edit Distance (TWED)，该方法在动态规划算法中使用了图形编辑过程范例，并使用一种带有刚性参数的弹性量度来进行 “编辑操作”，可用于提高时间序列检索性能。

    Mar, 2007

  • 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

  • C++ 中快速动态时间规整和聚类

    使用动态编程和混合整数规划来进行动态时间规整（DTW）和时间序列数据聚类的计算有效方法，通过聚类解决另一个优化问题，使用任务级并行处理获取更好的效率，相对于其他方法来说速度更快。

    Jul, 2023

  • Soft-DTW: 一种可微分的时间序列损失函数

    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

  • 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

  • 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

  • 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