Jun, 2023

时间序列分类和聚类的广义时间扭曲不变字典学习

PDF
TL;DR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。
发现论文，激发创造
  • 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

  • 可训练时间扭曲：在连续时间域中对齐时间序列

    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

  • 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

  • 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

  • 动态时间规整的一般优化框架

    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

  • 利用动态时间规整学习区分原型

    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

  • 将不可比空间上的时间序列对齐

    本文提出了一种基于 Gromov 得距离度量不可比较空间上的时间序列之间的距离的 Gromov dynamic time warping (GDTW) 方法，为解决传统 DTW 方法不能比较不同空间上的时间序列的问题提供了一种有效的解决方案，并通过实验在多个领域展示了 GDTW 的效能。

    Jun, 2020

  • 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

  • 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