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

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 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

综合评估了不同动态时间规整测度在时间序列数据处理任务中的性能，并提出了基于变异类型选择适当动态时间规整测度的指南。

Feb, 2024

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

本文提出了一种名为 D3TW 的新模型，通过创新性的弱监督序列排序方式，在视频中实现了弱监督行为对齐和分割，并在数据集上进行了测试。

Jan, 2019

本文介绍了一种处理音乐信息检索中涉及的弱对齐数据的新技术 —— 软动态时间规整（SoftDTW），这是一种可微分的经典动态时间规整（DTW）变体，相较于 CTC 算法在算法形式上更加优雅，能够自然地扩展到实值目标序列，并在多标签问题方面达到了 CTC 最新扩展的水平，文中以多音调估计为例具体论述了该技术。

Apr, 2023

本文使用优化问题的思想，采用动态规划的方法，提出一种名为 GDTW 的 Python 包，可以高效地对信号的时间对齐进行求解。

May, 2019