时间序列和序列的不确定度 - DTW
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
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
本研究提出了一种名为 Autowarp 的算法,它利用序列自编码器优化学习特定的度量准则来衡量不加标签的时间序列轨迹之间的相似性,并在实验中表现良好。
Oct, 2018
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
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