基于专家增强的动态时间规整的异常检测
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
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
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
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
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
该研究论文探讨了检测时间序列异常值的问题,重点关注具有重复行为的系统,例如在生产线上操作的工业机器人。通过使用特定于大型时间序列的基于 GPU 的质心算法,该论文提出了一种异常检测方法,该方法可以识别出重复周期并计算异常得分,以检测异常循环。实验证明,该方法能够处理大型信号,计算人类友好的原型,使用非常少的数据,并且优于一些通用的异常检测方法,如自编码器。
Apr, 2024
本文介绍了一种可扩展的准确方法,用于使用动态时间扭曲 (DTW) 发现时间序列 Motifs,该方法可以在时间和较低下限的紧密度之间自动执行最佳权衡,并且在现实设置下,该算法可以删除多达 99.99%的 DTW 计算。
Sep, 2020
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 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
本文提出了一种基于时间序列的无监督异常检测方法,使用数据增强来实现具有鲁棒性的表示学习,并应用于最先进的异常检测技术中,实现在时间序列中检测点异常和序列异常,并与现有方法进行了对比,得到了良好的性能和计算效率。
Jun, 2019