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

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

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

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

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

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

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。

Jun, 2021

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

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