Jun, 2021

残差网络作为速度场的流动，用于同构时间序列对齐

PDF
TL;DR本文提出了一种基于深度残差神经网络和差分同胚变形的时间序列模型，通过建立平滑、流畅和规则的速度场，生成流动和可逆变换，用于对时间序列进行单对齐和多对对齐分类。
time-series analysistemporal transformer networkresnet-twtime-series alignmentdiffeomorphic warping functions
发现论文，激发创造
  • 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

  • 时间变换网络：不变性和区分性时间弯曲的联合学习

    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

  • 时间序列对齐的闭式同胚变换

    本文提出了基于连续分段仿射速度场的 ODE 解及其梯度的闭式表达式，以实现时间序列联合对齐的高效和准确性。

    Jun, 2022

  • 神经扭曲网络：时间序列相似度

    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。

    Dec, 2018

  • 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

  • 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

  • 使用半群正则化的时间连续网络学习图像配准中的差分同胚

    通过在时间连续区间内确保微分同胚，我们提出了一种新颖的基于学习的三维图像配准方法，该方法减少了正则化项和附加积分的需求，并利用时间嵌入的 UNets 技术来实现时间连续的微分同胚流。在两个公共数据集上的实验结果表明，我们的模型相较于基于学习和基于优化的方法具有更强的优越性。

    May, 2024

  • 深度可分离 LSTM 变形器

    本文提出使用深度可分长短时记忆网络 (depth-wise LSTM) 替代残差连接 (residual connection) 来解决深度 Transformer 模型面临的优化问题，采用深度 LSTM 可以更好地捕捉远距离依赖关系。实验结果表明，采用深度 LSTM 有效提高了模型的 BLEU 值，并且可以更加高效地应用于深度 Transformer 模型。同时，本文提出了一种方法来测度层非线性对模型性能的影响，并证实深度 LSTM 的使用优于残差连接。

    Jul, 2020

  • 城市范围人群流量预测的深度时空残余网络

    本文提出了一种基于深度学习的 ST-ResNet 方法，通过建立时空数据的端到端结构，动态聚合三个残差神经网络的输出，并结合天气、星期等外部因素对城市各个区域的人流量进行预测，其在北京和纽约的人流量预测方面表现优于已有的六种方法。

    Oct, 2016

  • 用于端到端对齐路径学习的深度声明动态时间规整

    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