Warping and Matching Subsequences Between Time Series
Dept. of Computer Science, KU Leuven(卢森堡鲁文大学计算机科学系)
针对时间序列比较中缺乏定性结构分析的问题,本文提出一种简化扭曲路径的技术,以突出并可视化子序列间的偏移、压缩和振幅差异等关键变换,从而增强比较的可解释性。
2025-06-18 cs.AI cs.LG stat.ML
Multiscale Manifold Warping
Adobe Research(奥多比研究院)
许多现实世界的应用需要对齐两个时间序列,包括生物信息学,手写识别,活动识别和人机协调。动态时间规整(DTW)是一种流行的比对方法,但在高维真实世界的数据中可能会失败,其中比对序列的维度通常是不相等的。在本文中,我们表明,利用现实世界的数据的多尺度流形的潜在结构,可以产生改进的对齐。我们介绍了一种新的框架,称为Warping on Wavelets(WOW),它将DTW与称为Diffusion Wavelets的多尺度流形学习框架相结合。我们提出了一个理论分析的WOW家族的算法,并表明它优于以前的最先进的方法,如规范时间规整(CTW)和流形翘曲,在几个现实世界的数据集。
2021-09-19 cs.LG
Aligning Time Series on Incomparable Spaces
Centre for Artificial Intelligence(人工智能中心);University College London(伦敦大学学院);Imperial College London(帝国理工学院);Facebook AI Research(Facebook人工智能研究院)
动态时间规整(DTW)是一种用于对齐、比较和组合时间序列的有效方法,但它要求时间序列存在于可比空间中。在这项工作中,我们考虑一个设置中,时间序列生活在不同的空间没有一个合理的地面度量,导致DTW变得不明确。为了缓解这一问题,我们提出了Gromov动态时间规整(GDTW),这是一种潜在不可比空间上的时间序列之间的距离,通过考虑关系内几何来避免可比性要求。我们证明了它的有效性对齐,组合和比较生活在无与伦比的空间的时间序列。我们进一步提出了一个平滑版本的GDTW作为一个可微的损失,并评估其属性在各种设置,包括重心平均,生成建模和模仿学习。
2021-02-22 cs.LG stat.ML
Time Series Classification through Diffeomorphic Time Warping (DiffTW)
Department of Mathematics and Statistics, Portland State University, USA(波特兰州立大学数学与统计学系);The Translational Genomics Research Institute (TGen), USA(转化基因组研究研究院(TGen))
提出DiffTW方法,通过线性输运方程的特征曲线流实现时间序列间的微分同胚变换,基于再生核希尔伯特空间和最优控制学习速度场,在86个数据集上60个优于DTW。
2026-08-07 cs.LG stat.ML
Sparsification of the Alignment Path Search Space in Dynamic Time Warping
IRISA(法国国家信息与自动化研究所);CNRS(法国国家科学研究中心);Université Bretagne-Sud(南布列塔尼大学)
时态数据自然无处不在,特别是在大数据和物联网出现的数字时代。在时态数据分析和挖掘过程中出现的一个主要挑战是时间序列或序列的比较,这需要确定适当的距离或(不)相似性度量。在这种情况下,动态时间规整(DTW)在许多领域都取得了成功,由于其“时间弹性”,一个属性,特别是在匹配时间数据时有用。不幸的是,这种相异度测量遭受二次计算成本,这禁止其用于大规模应用。这项工作解决了DTW类措施的对齐路径搜索空间的稀疏化,基本上是为了降低其计算成本,而不损失的质量的措施。作为我们的稀疏化方法的结果,两个新的(反)相似性措施,即SP-DTW(稀疏路径搜索空间DTW)和它的核SP-K rdtw(稀疏路径搜索空间K rdtw内核)提出了时间序列比较。广泛的公共数据集被用来评估的效率(估计在加速比和分类精度方面)的建议(反)相似性措施的1-最近邻(1-NN)和支持向量机(SVM)分类算法。我们的实验表明,我们提出的措施提供了一个显着的速度,而不损失的准确性。此外,在稍微降低的加速比的成本,他们显着优于旧的,但众所周知的Sakoe-Chiba的方法,减少了DTW路径搜索空间使用对称走廊的准确性标准。
2017-11-13 cs.LG
Trainable Time Warping: Aligning Time-Series in the Continuous-Time Domain
University of Michigan(密歇根大学)
DTW计算两个信号之间的相似性或对齐,受到时间扭曲。然而,其计算复杂性随着时间序列的数量呈指数增长。虽然已经开发出的算法在时间序列的数量上是线性的,但它们在时间序列长度上通常是二次的。例外的是广义时间扭曲(GTW),它具有线性计算成本。然而,它只能识别简单的时间弯曲函数。需要一种新的快速、高质量的多序列比对算法。我们引入了可训练时间规整(TTW),其复杂度在时间序列的数量和长度上都是线性的。TTW使用sinc卷积核和基于梯度的优化技术在连续时间域中执行对齐。我们比较了TTW和GTW在85个UCR数据集上的时间序列平均和分类。TTW在平均任务的67.1%的数据集上优于GTW,在分类任务的61.2%的数据集上优于GTW。
2019-03-21 cs.AI cs.CC cs.LG
Time-Warping Invariant Quantum Recurrent Neural Networks via Quantum-Classical Adaptive Gating
Eindhoven University of Technology(埃因霍温理工大学);King’s College London(伦敦国王学院);University of Florence(佛罗伦萨大学);INFN(意大利国家核物理研究所);DeepMind(深度思维)
该研究提出时间扭曲不变量子循环神经网络TWI-QRNN,通过量子-经典自适应门控实现时序输入输出的时间扭曲不变性,经原理推导与实验验证了其在经典/量子动力学场景的有效性。
2023-06-09 cs.IT cs.LG math.IT
Soft Dynamic Time Warping for Multi-Pitch Estimation and Beyond
International Audio Laboratories Erlangen(埃尔朗根国际音频实验室);Friedrich-Alexander-Universität Erlangen-Nürnberg(埃尔朗根-纽伦堡弗里德里希-亚历山大大学);Fraunhofer Institute for Integrated Circuits IIS(弗劳恩霍夫集成电路研究所IIS)
本文提出用可微的软动态时间规整(SoftDTW)替代CTC处理弱对齐数据,在多基频估计上达到与最先进CTC多标签扩展相当的性能,并支持实值目标序列。
2023-04-11 cs.LG cs.SD eess.AS
Quantum Dynamic Time Warping for Multivariate Time Series Classification
CITIC Research Center(CITIC研究中心);Universidade da Coruña(科鲁纳大学)
提出混合量子动态时间规整(qDTW)架构,用量子希尔伯特空间的参数化几何替代欧氏距离,通过结构消融实验建立量子序列对齐拓扑规则,并引入解耦预嵌入伴随拟设,在避免相位混乱和信息瓶颈的同时,实现超越经典基线的多变量时间序列分类。
2026-06-29 cs.LG quant-ph
ExWarp: Extrapolation and Warping-based Temporal Supersampling for High-frequency Displays
Indian Institute of Technology New Delhi(新德里印度理工学院)
针对高频显示下GPU帧率不足及现有帧外推方法的精度速度矛盾,本文提出ExWarp方法,通过强化学习智能选择两种外推方式,实现4倍帧率提升且画质损失极小。
2023-07-24 cs.AR cs.CV cs.GR
Riemannian Time Warping: Multiple Sequence Alignment in Curved Spaces
Technology and Innovation Center (TIC), KUKA Deutschland GmbH(技术与创新中心(TIC),KUKA德国公司);Institute of Robotics and Process Control (IRP), Technische Universität Braunschweig(机器人与过程控制研究所(IRP),柏林工业大学)
针对弯曲空间中多信号时间对齐的缺失,提出黎曼时间规整(RTW)方法,利用黎曼流形几何结构高效对齐多序列,并在合成与真实机器人数据实验中显著优于现有基线。
2025-07-14 cs.LG cs.RO
Robust and Efficient Noisy-Label Time-Series Classification via Dynamic Time Warping Based Granular Ball Computing
Nagoya Institute of Technology(名古屋工业大学)
针对含噪标签时间序列分类问题,提出DTW-GBC方法,通过构建粒球减少比较次数,在缓解标签噪声影响的同时提升推理效率,取得鲁棒性与效率的平衡。
2026-10-09 cs.AI cs.LG
Tight lower bounds for Dynamic Time Warping
Monash University(莫纳什大学)
动态时间规整(DTW)是一种流行的相似性度量对齐和比较时间序列。由于DTW的高计算时间,下界经常被用来筛选不良匹配。已经提出了许多替代的下限,提供了一系列不同的权衡之间的紧密性和计算效率。LB Keogh在许多应用中提供了有用的权衡。最近的两个下限,LB改进和LB增强,大大比LB基奥更紧。所有三个具有相同的最差情况计算复杂性-相对于序列长度为线性,相对于窗口大小为常数。我们提出了四个新的DTW下界在相同的复杂性类。LB Petitjean比LB Improved严格得多,只有适度的额外计算开销。LB Webb比LB Improved更有效,同时通常提供更严格的约束。LB Webb总是比LB Keogh更紧。无参数LB Webb通常比LB Enhanced更严格。参数化的变体LB Webb Enhanced总是比LB Enhanced更紧密。另一个变体LB Webb* 对某些约束距离函数很有用。在大量的实验中,LB Webb被证明是非常有效的最近邻搜索。
2021-03-02 cs.LG
TC-DTW: Accelerating Multivariate Dynamic Time Warping Through Triangle Inequality and Point Clustering
William G. Enloe High School(威廉·G·恩洛高中);North Carolina State University(北卡罗来纳州立大学)
动态时间规整(DTW)在时间序列分析中起着重要的作用。尽管大量的研究加速单变量DTW,多变量DTW的方法并没有得到改善,在过去的二十年。今天使用的最流行的算法仍然是17年前开发的算法。本文提出了一种解决方案,据我们所知,第一次始终优于经典的多变量DTW算法在数据集大小,序列长度,数据维度,时间窗口大小和机器。新的解决方案,命名为TC-DTW,引入三角不等式和点聚类的算法设计的下限计算的多元DTW。在基于DTW的最近邻查找的实验中,新的解决方案避免了多达98%(平均60%)的DTW距离计算,并产生多达25倍(平均7.5倍)的加速比。
2021-01-20 cs.AI cs.DB cs.LG
Multi-Year Vector Dynamic Time Warping Based Crop Mapping
Scientific and Technological Research Council of Turkey (TÜBİTAK) Space Technologies Research Institute (UZAY)(土耳其科学技术研究理事会(TÜBİTAK)空间技术研究所);Informatics Institute, Middle East Technical University(中东技术大学信息学研究所)
最近通过基于监督学习的方法的自动化作物制图已经展示了相对于经典技术的前所未有的改进。然而,大多数作物制图研究仅限于同年作物制图,即用当年的标记数据预测同年的作物图。这些方法的分类精度大大降低跨年度映射。跨年度作物制图更有用,因为它允许使用以前标记的数据预测下一年的作物图。我们提出了矢量动态时间规整(VDTW),一种新的多年分类方法的基础上翘曲的物候向量之间的角距离。结果表明,所提出的VDTW方法是强大的时间和光谱变化补偿不同的耕作方式,气候和大气的影响,以及测量误差之间的年。我们还描述了一种方法,用于确定最具歧视性的时间窗口,允许有限的数据的高分类精度。我们使用2013年至2016年的Landsat 8时间序列图像对我们的方法进行了测试,用于对哈兰平原的玉米和棉花以及土耳其东南部Bismil平原的玉米,棉花和大豆进行分类。此外,我们还利用协调的陆地卫星哨兵数据测试了2017年和2018年美国堪萨斯州的VDTW玉米和大豆。与其他最先进的方法相比,VDTW方法在相同和交叉年份分别实现了99.85%和99.74%的总体准确率,与其他最先进的方法相比,即光谱角映射器(SAM),动态时间规整(DTW),时间加权DTW(TWDTW),随机森林(RF),支持向量机(SVM)和深度长短期记忆(LSTM)方法。所提出的方法可以扩展到其他作物类型和/或地理区域。
2019-11-27 cs.CV cs.LG stat.ML
Diffeomorphic Transformations for Time Series Analysis: An Efficient Approach to Nonlinear Warping
University of Navarra(纳瓦拉大学);Vicomtech, Basque Research and Technology Alliance(巴斯克研究与技术联盟Vicomtech)
本文针对DTW计算复杂、不可微且对噪声敏感的问题,提出可微可逆的参数化微分同胚扭曲变换,并用于对齐、分类、聚类及归一化流。
2023-09-25 cs.AI cs.LG
Meet JEANIE: a Similarity Measure for 3D Skeleton Sequences via Temporal-Viewpoint Alignment
the Australian National University (ANU)(澳大利亚国立大学);Singapore University of Technology and Design(新加坡科技设计大学);Curtin University(科廷大学);Australian National University (ANU)(澳大利亚国立大学)
本文提出了一种用于3D骨架序列的联合时间和相机视角对齐方法JEANIE,通过模拟相机视角并联合调整时间块匹配来消除无用变化,在有监督和无监督的少样本动作识别任务中取得了最先进的结果。
2024-03-25 cs.AI cs.CV cs.LG
Deep Declarative Dynamic Time Warping for End-to-End Learning of Alignment Paths
Queensland University of Technology(昆士兰科技大学);Australian National University(澳大利亚国立大学)
本文讨论了学习端到端模型的时间序列数据,包括通过动态时间规整(DTW)的时间对齐步骤。现有的可微DTW方法要么通过固定的扭曲路径进行区分,要么将可微松弛应用于用于解决DTW问题的递归步骤中的min算子。相反,我们提出了一个基于双层优化和深度声明网络的DTW层,我们将其命名为DecDTW。通过将DTW公式化为一个连续的不等式约束优化问题,我们可以使用隐式微分来计算最优对齐(相对于底层时间序列)的解的梯度。这个公式的一个有趣的副产品是,DecDTW输出两个时间序列之间的最佳扭曲路径,而不是软近似,可从Soft-DTW恢复。我们表明,这个属性是特别有用的下游损失函数的最佳对齐路径本身定义的应用程序。这自然发生,例如,当学习提高预测比对相对于地面实况比对的准确度时。我们评估DecDTW在两个这样的应用程序,即音频到分数对齐任务在音乐信息检索和视觉位置识别任务在机器人技术,展示国家的最先进的结果。
2023-03-19 cs.CV cs.LG cs.RO
Spatio-Temporal Alignments: Optimal transport through space and time
Inria Saclay(法国国家信息与自动化研究所萨克莱分院);Google AI(谷歌人工智能);CREST - ENSAE(经济与统计研究中心-法国国家统计与经济管理学院)
比较在空间和时间上定义的数据是非常困难的,因为它涉及到量化空间和时间的变化,同时考虑到数据的时间结构。动态时间规整(DTW)计算时间序列之间的最佳对齐与时间顺序一致,但本质上是盲目的空间移位。在本文中,我们提出了时空对齐(STA),DTW的一个新的可微配方,其中时间样本之间的空间差异占使用正则化的最佳运输(OT)。我们的时间对齐处理通过DTW称为软DTW,我们证明了一个新的属性:软DTW随时间推移二次增加的平滑变体。我们使用的软DTW中的成本矩阵是使用不平衡OT计算的,以处理观测值不是归一化概率的情况。手写信件和脑成像数据上的实验证实了我们的理论研究结果,并说明STA作为时空数据的相异的有效性。
2019-11-10 cs.LG stat.ML
Deep Time Warping for Multiple Time Series Alignment
Sharif University of Technology(谢里夫理工大学)
本文提出一种基于深度卷积网络的多时间序列对齐方法,通过分段线性规整满足边界、单调性和连续性约束,在UCR Archive 2018的129个数据集上显著提升分类精度并降低运行时间。
2025-02-22 cs.AI cs.LG eess.SP
Irregularly Sampled Time Series Interpolation for Binary Evolution Simulations Using Dynamic Time Warping
Electrical and Computer Engineering, Northwestern University(西北大学电气与计算机工程系);Center for Interdisciplinary Exploration and Research in Astrophysics (CIERA), Northwestern University(跨学科天体物理研究中心(CIERA),西北大学);NSF-Simons AI Institute for the Sky (SkAI)(国家科学基金会-模拟人工智能天文研究所(SkAI));Department of Physics and Astronomy, Northwestern University(西北大学物理与天文学系);Department of Physics, University of Florida(佛罗里达大学物理系);Institute for Fundamental Theory(基础理论研究所);Gravitational Wave Science Center (GWSC), Université de Genève(引力波科学中心(GWSC),日内瓦大学)
本文提出基于动态时间规整的二进制演化轨迹对齐方法,解决邻近轨迹对齐问题,保持物理关系,提升插值效率和准确性。
2026-04-15 astro-ph.SR cs.LG
Using Machine Learning to Augment Dynamic Time Warping Based Signal Classification
Institute for Clarity in Documentation(文档清晰度研究所);Inria Paris-Rocquencourt(法国国家信息与自动化研究所巴黎-罗克库尔中心);Rajiv Gandhi University(拉吉夫·甘地大学);Tsinghua University(清华大学);Palmer Research Laboratories(帕尔默研究实验室)
诸如话音识别之类的现代应用依赖于将信号与预先录制的信号进行比较以对其进行分类的能力。然而,这种比较通常需要忽略由于信号噪声、时间偏移、信号幅度和其他外部因素引起的差异。动态时间扭曲(DTW)算法通过查找信号之间的对应区域并通过拉伸和收缩信号来非线性扭曲信号来量化这种相似性。不幸的是,搜索信号的所有“扭曲”以找到最佳对应区域的计算成本很高。FastDTW算法提高了性能,但由于只考虑小信号扭曲而牺牲了精度。我的目标是提高DTW的速度,同时保持高精度。我的主要见解是,在任何特定的应用领域,信号都表现出特定类型的变化。例如,针对两个不同的人测量的加速度计信号将基于他们的步幅长度和体重而不同。我的系统名为机器学习DTW(MLDTW),它使用机器学习来学习特定领域中常见的扭曲类型。然后,它使用学习到的模型通过适当限制对潜在扭曲的搜索来提高DTW性能。我的结果表明,与FastDTW相比,MLDTW至少同样快,并且在四个不同的数据集上平均减少了60%的错误。这些改进将显著影响各种各样的应用(例如健康监测),并实现对多变量、更高频率和更长信号记录的更可扩展处理。
2022-06-14 cs.LG
Transfer Learning-based State of Health Estimation for Lithium-ion Battery with Cycle Synchronization
The Singapore University of Technology and Design(新加坡科技设计大学)
准确估计电池的健康状态(SOH)有助于防止电池供电的应用程序出现意外故障。迁移学习(TL)具有减少新电池模型训练的数据需求的优势,是一种应用从具有大量数据的源电池中学习的知识的有前途的机器学习方法。然而,确定源电池模型是否合理,以及哪部分信息可以用于SOH估计很少讨论,尽管这些是成功TL的关键组成部分。为了解决这些问题,本文提出了一种利用时间动态辅助迁移学习的可解释的基于TL的SOH估计方法。首先,借助于动态时间规整,来自放电时间序列的时间数据被同步,产生负责在周期上的容量退化的周期同步时间序列的规整路径。其次,从周期同步时间序列的空间路径中检索的规范变量用于源电池和目标电池之间的分布相似性分析。第三,当分布相似性在预定义的阈值内时,通过从源SOH估计模型转移共同的时间动态并利用来自目标电池的残差模型补偿误差来构建综合目标SOH估计模型。通过一个广泛使用的开源基准数据集,所提出的方法的估计误差的均方根误差是低至0.0034,导致77%的精度提高与现有的方法相比。
2022-08-23 cs.LG stat.ML
Transfer Learning for Dead Fuel Moisture Prediction Using Time-Warping Recurrent Neural Networks
Department of Mathematical and Statistical Sciences, University of Colorado Denver, Colorado(数学与统计科学系,科罗拉多大学丹佛分校,科罗拉多);Department of Meteorology and Climate Science, Wildfire Interdisciplinary Research Center, San Jose State University, San Jose, California(气象与气候科学系,野火跨学科研究中心,圣何塞州立大学,圣何塞,加利福尼亚)
本文提出了一种时间拉伸迁移学习方法,利用LSTM层对递归神经网络的动态进行时间拉伸,以在不同燃料含湿量类别间实现任务迁移。通过预训练10小时燃料含湿量数据来预测1小时、100小时和1000小时燃料含湿量,利用奥克拉荷马州地标性现场研究数据验证方法。
2026-05-08 cs.LG stat.AP
Temporal and Object Quantification Networks
MIT-IBM Watson AI Lab(麻省理工学院-IBM沃森人工智能实验室);Massachusetts Institute of Technology(麻省理工学院);Stanford University(斯坦福大学);Harvard University(哈佛大学)
我们提出了时间和对象量化网络(TOQ网),一类新的神经符号网络的结构偏差,使他们能够学习识别复杂的关系时间事件。这是通过包括推理层来实现对象和时间上的有限域量化来实现的。该结构允许它们直接概括到具有不同长度的时间序列中的不同数量的对象的输入实例。我们评估TOQ网的输入域,需要识别事件类型的复杂的时间关系模式。我们证明了TOQ-Nets可以从少量数据推广到包含比训练过程中存在的更多对象的场景以及输入序列的时间扭曲。
2021-06-10 cs.AI cs.LG stat.ML
TADA: Temporal Adversarial Data Augmentation for Time Series Data
Medical AI Co. Ltd.(医疗人工智能有限公司)
针对时间序列数据中传统对抗数据增强无法处理时间特征分布偏移的问题,提出TADA方法,利用频域相移与时域时间移位的对偶性将时间规整引入ADA使其可微,实验证明其优于现有方法并能有效模拟真实分布偏移。
2024-10-15 cs.AI cs.LG eess.SP
StretchTime: Adaptive Time Series Forecasting via Symplectic Attention
Georgia Institute of Technology, Atlanta, GA, USA(佐治亚理工学院)
StretchTime通过辛注意力机制实现自适应时间序列预测,解决了时间扭曲问题,提升了非平稳动态数据的鲁棒性。
2026-11-03 cs.AI cs.LG
Averaging Spatio-temporal Signals using Optimal Transport and Soft Alignments
Télécom Paris(巴黎电信学院);CREST ENSAE(法国国家统计与经济管理学院经济与统计研究中心);Université Paris-Saclay(巴黎萨克雷大学);Inria(法国国家信息与自动化研究所);CEA(法国原子能和替代能源委员会)
从基因组学到神经影像学,科学中的几个领域都需要监测随着时间而演变的群体(措施)。这些复杂的数据集描述了具有时间和空间分量的动态,对数据分析提出了新的挑战。在这项工作中,我们提出了一个新的框架来进行这些数据集的平均值,目标是从多个轨迹合成一个有代表性的模板轨迹。我们表明,这需要解决三个来源的不变性:在时间,空间和总人口规模(或质量/振幅)的变化。在这里,我们从动态时间规整(DTW),最优运输(OT)理论及其不平衡扩展(UOT)的启发,提出了一个标准,可以解决所有三个问题。该建议利用DTW(Soft-DTW)的平滑公式来捕获时间偏移,并利用UOT来处理空间和大小的变化。我们提出的损失可以用来定义时空重心作为Fréchet手段。使用Fenchel对偶,我们展示了如何这些重心可以有效地计算,并行,通过一个新的变体的熵正则化去偏UOT。手写信件和脑成像数据的实验证实了我们的理论研究结果,并说明了时空数据的建议损失的有效性。
2022-04-08 cs.LG stat.ML
Dynamic Time Warping Clustering to Discover Socio-Economic Characteristics in Smart Water Meter Data
Norwegian University of Science and Technology(挪威科技大学);KWR Water Cycle Research Institute(KWR水循环研究所);University of Cincinnati(辛辛那提大学);Leiden University(莱顿大学);Delft University of Technology(代尔夫特理工大学)
社会经济特征正在影响水需求的时间和空间变化,这是配水系统建模中不确定性的最大来源。提高我们对这些影响的认识可以用来减少需求的不确定性。本文旨在通过应用一种新的聚类算法,使用动态时间规整的日常需求模式,智能水表数据的社会经济用户的特点。该方法进行了测试模拟和测量的单户家庭数据集。我们表明,新的算法相比,常用的聚类方法,无论是在找到正确的集群数量,以及正确分配模式更好地执行。此外,该方法可用于识别需求模式集群内的离群值。此外,本研究调查的社会经济特征(如就业状况,居民人数)是普遍存在的单一集群内,因此,可以链接到集群的重心的形状。在未来,所提出的方法与随机需求模型相结合,可以用来填补水力模型中的数据缺口。
2021-12-28 cs.LG cs.SY eess.SP
BCI-Based Assessment of Ocular Response Time Using Dynamic Time Warping Leveraging an RDWT-Driven Deep Neural Framework
Dept. of ECE, IUCRC BRAIN, Cullen College of Engineering University of Houston, Houston, USA;Dept. of Data Science, Cullen College of Engineering University of Houston, Houston, USA;Dept. of Industrial Design, IUCRC BRAIN, Gerald D.Hines College of Arch. \& Design University of Houston, Houston, USA;Neurotechnology \& BCI Cognixion Inc. Toronto, Ontario, Canada
本文提出一种整合EEG与AR基VOMS任务的框架,利用RDWT驱动的深度神经网络估计个体眼动响应时间,通过波let域滤波提升预测性能,并利用动态时间规整评估眼动行为差异。
2026-08-04 cs.HC cs.LG eess.SP
Animating Through Warping: an Efficient Method for High-Quality Facial Expression Animation
Huawei Technologies Canada Co. Ltd.(华为技术加拿大有限公司)
深度神经网络的进步已经大大改善了在不进行3D域操作的情况下对静止图像进行动画的艺术。然而,由于存储器限制、训练困难和缺乏高分辨率(HD)训练数据集,现有技术只能动画化小图像(通常不大于512 × 512),这显著降低了它们在电影制作和交互系统中的应用潜力。HD图像可以通过将高频残差添加到由神经网络产生的低分辨率结果中来生成的想法的启发,我们提出了一种新的框架,称为Animating Through Warping(ATW),以实现HD图像的高效动画。具体来说,该框架由两个模块组成,一个新的两阶段神经网络生成器和一个新的后处理模块,称为通过扭曲动画(ATW)。它只需要在小图像上训练生成器,并且可以对任何大小的图像进行推理。在推理过程中,HD输入图像被分解为低分辨率分量(128 x128)及其相应的高频残差。生成器预测低分辨率结果以及将输入面扭曲到期望状态的运动场(例如,表达式类别或动作单元)。最后,ResWarp模块基于运动场扭曲残差,并添加扭曲的残差以从原始上采样的低分辨率结果生成最终HD结果。实验结果表明,该方法在生成高分辨率动画方面是有效的。我们提出的框架成功地动画了4K面部图像,这是以前的神经模型从未实现过的。此外,我们的方法一般保证生成的动画的时间一致性。源代码将公开提供。
2020-08-01 cs.CV cs.LG eess.IV
Deep Time Series Forecasting with Shape and Temporal Criteria
研究了具有突变性的非平稳信号的多步时间序列预测问题。目前最先进的深度学习预测方法通常使用MSE的变体进行训练,缺乏在确定性和概率性背景下提供准确预测的能力。为了应对这些挑战,我们建议在深度模型的训练目标中加入形状和时间标准。我们定义形状和时间的相似性和相异性,基于动态时间规整(DTW)和时间失真指数(TDI)的平滑松弛,从而能够构建可微损失函数和半正定(PSD)内核。有了这些工具,我们介绍DILATE(失真损失,包括shApe和TimE),确定性预测的一个新目标,明确纳入了两个术语支持精确的形状和时间变化检测。对于概率预测,我们引入了STRIPE++(形状和时间多样性的概率预测),一个框架,提供了一组尖锐的和多样化的预测,其中结构化的形状和时间多样性与决定点过程(DPP)的多样性损失。对合成和真实世界数据集的广泛实验和消融研究证实了在时间序列预测中利用形状和时间特征的好处。
2022-02-17 cs.AI cs.LG stat.ML
Dynamic Weight Alignment for Temporal Convolutional Neural Networks
NTT Communication Science Laboratories(日本电报电话通信科学实验室)
在本文中,我们提出了一种改进时间卷积神经网络(CNN)的方法,通过使用动态规划来确定权值和输入的最佳对齐。传统的CNN卷积将共享权重线性匹配到输入的窗口。然而,有可能存在权重的更优对准。因此,我们建议使用动态时间规整(DTW)来动态地将权重与卷积层的输入对齐。具体地说,动态对准克服了问题,如时间失真,通过寻找最小距离匹配的权重和输入的约束。我们证明了所提出的架构的有效性Unipen在线手写数字和字符数据集,UCI阿拉伯语口语数字数据集,和UCI日常生活活动数据集。
2019-02-07 cs.CV cs.LG cs.NE
Implementation and Evaluation of a Multivariate Abstraction-Based, Interval-Based Dynamic Time-Warping Method as a Similarity Measure for Longitudinal Medical Records
Ben-Gurion University of the Negev(内盖夫本-古里安大学)
我们将动态时间规整(DTW)扩展为基于区间的动态时间规整(iDTW),包括(A)基于区间的表示(iRep):[1]将原始的时间戳数据抽象为基于区间的抽象,[2]比较周期范围,[3]将抽象区间划分为给定的时间粒度;(B)基于区间的匹配(iMatch):使用修改的DTW匹配分区的抽象概念记录。使用领域知识,我们将医疗记录的原始数据抽象为两种间隔类型:状态抽象(例如,低,高)和梯度抽象(例如,递增,递减)。我们创建了所有一维(状态或梯度)或多维(状态和梯度)抽象组合。任务:将161例肿瘤患者记录分类为自体或同种异体骨髓移植;将125例肝炎患者记录分类为乙型或丙型肝炎;预测151例2型糖尿病患者明年的微量或大量白蛋白尿。我们使用k-最近邻多数,k =从1到SQRT(N)的奇数,N =集合大小。进行了75,936次10倍交叉验证实验:33,600次(肿瘤学),28,800次(肝炎),13,536次(糖尿病)。测量:曲线下面积(AUC),最佳约登指数。配对t检验比较了除测试变量外的等效配置的结果向量,以确定显著的平均准确度差异(P<0.05)。使用抽象的平均分类和预测明显优于仅使用原始时间戳数据。在每个域中,至少有一个抽象组合导致了比原始数据更好的平均性能。增加特征数量和使用多维抽象增强了性能。与使用原始数据时不同,使用抽象,k=5时通常达到最佳平均性能。
2021-08-26 cs.AI cs.LG cs.SC
DTW-Merge: A Novel Data Augmentation Technique for Time Series Classification
Sharif University of Technology(谢里夫理工大学)
近年来,神经网络在各种应用中取得了巨大的成功。训练深度神经网络的主要挑战是缺乏足够的数据来提高模型的泛化能力和避免过拟合。其中一个解决方案是生成新的训练样本。提出了一种基于动态时间规整的时间序列数据增强方法。该方法的灵感来自于两个时间序列的扭曲部分具有相似的时间属性的概念,因此,在两个序列之间交换它们会生成一个新的训练样本。所提出的方法随机选择一个元素的最佳扭曲路径,然后交换对齐在一起的段。利用最近引入的ResNet来利用所提出的方法,揭示了2018年UCR时间序列分类存档的改进结果。通过采用加权类激活映射(Grad-CAM)和多维尺度(MDS),我们表明,我们的方法提取更多的判别特征的时间序列。
2021-08-21 cs.LG
Multi-task learning of time series and its application to the travel demand
Naver Labs Europe(Naver实验室欧洲分部)
我们解决的问题,建模和预测的一组时间事件的背景下,智能交通系统。为了利用不同事件共享的信息,我们提出了一个多任务学习框架。我们开发了一个支持向量回归模型,用于相互依赖的时间序列的联合学习。它是先前为分类案例开发并扩展到时间序列的基于正则化的多任务学习。我们讨论观察到的时间序列的相关性,并首先部署动态时间弯曲距离测量,以确定组相似的系列。然后,我们考虑到时间和尺度扭曲,并建议通过推断其共同的潜在表示来对齐多个时间序列。我们测试了所提出的模型在南希(法国)公共交通系统的出行需求预测问题,并分析了多任务学习的好处。
2017-12-21 cs.AI cs.LG
Comparing Generalization in Learning with Limited Numbers of Exemplars: Transformer vs. RNN in Attractor Dynamics
Okinawa Institute of Science and Technology(冲绳科学技术大学院大学)
本研究在吸引子动力学学习任务中比较了Transformer与RNN的学习泛化能力,发现有限数据条件下Transformer的泛化能力明显劣于RNN。
2023-11-15 cs.CL cs.LG
Learnable Dynamic Temporal Pooling for Time Series Classification
POSTECH(浦项科技大学)
随着可用时间序列数据的增加,预测其类别标签已成为众多学科中最重要的挑战之一。最近的时间序列分类研究表明,卷积神经网络(CNN)实现了最先进的性能作为一个单一的分类器。在这项工作中,指出,通常采用现有的CNN分类器的全局池层丢弃的高级别功能的时间信息,我们提出了一个动态的时间池(DTP)技术,通过聚集在段级别的功能,减少隐藏表示的时间大小。为了将整个系列划分为多个片段,我们利用动态时间规整(DTW)将每个时间点按时间顺序与片段的原型特征对齐,这些特征可以与CNN分类器的网络参数同时优化。与全连接层相结合的DTP层有助于提取进一步的判别特征,考虑到它们在输入时间序列中的时间位置。在单变量和多变量时间序列数据集上的大量实验表明,我们提出的池化方法显着提高了分类性能。
2021-04-02 cs.AI cs.LG
MobileNVC: Real-time 1080p Neural Video Compression on a Mobile Device
Qualcomm AI Research(高通人工智能研究院)
提出首个移动设备上实时解码1080p YUV420视频的神经编解码器,通过块运动补偿与整数量化及并行流水线,实现高达48%的BD-rate节省和10倍MAC减少。
2023-11-15 cs.CV cs.LG eess.IV
ChronoPlastic Spiking Neural Networks
时间可塑性脉冲神经网络通过动态调节突触衰减速率,实现自适应时间信用分配,提升长间隔时间依赖性学习能力。
2025-12-17 cs.LG cs.NE
A Time Series Forest for Classification and Feature Extraction
Arizona State University(亚利桑那州立大学);Intel(英特尔)
我们提出了一个树集成方法,称为时间序列森林(TSF),时间序列分类。TSF采用熵增益和距离测量的组合,称为入口(熵和距离)增益,用于评估分裂。实验研究表明,入口增益准则提高了TSF的精度。TSF在每个树节点处随机采样特征,并且具有与时间序列的长度成线性关系的计算复杂性,并且可以使用并行计算技术(例如,这里使用的多核计算)来构建。还提出了时间重要性曲线来捕获对分类有用的重要时间特征。实验研究表明,TSF使用简单的功能,如平均值,偏差和斜率优于强大的竞争对手,如一个最近邻分类器与动态时间扭曲,是计算效率高,并可以提供洞察的时间特性。
2013-02-18 cs.LG
Towards plausibility in time series counterfactual explanations
Tooploox
本文提出一种基于梯度优化和软动态时间规整的时间序列反事实解释方法,通过增强合理性与分布对齐性提升时序解释的可信度。
2026-03-09 cs.AI cs.LG stat.ML
Symbol-Temporal Consistency Self-supervised Learning for Robust Time Series Classification
Department of Computer Science, University of Texas Rio Grande Valley(计算机科学系,德克萨斯大学里奥格兰德谷分校)
针对数字健康中时间序列数据分布偏移问题,提出利用符号袋表示的自监督学习框架,以增强模型对噪声和偏移的鲁棒性,实验证明在显著偏移下性能更优。
2025-09-24 cs.LG
Match-And-Deform: Time Series Domain Adaptation through Optimal Transport and Temporal Alignment
Université Rennes 2(雷恩第二大学);Université Bretagne Sud(布列塔尼南大学);IRISA(法国国家信息与自动化研究所(IRISA));LETG(雷恩第二大学技术与地球科学实验室(LETG));UMR CNRS 6074(法国国家科学研究中心(CNRS)UMR 6074联合实验室)
针对时间序列无监督域适应中存在的特征分布偏移与时间偏移问题,提出结合最优传输与动态时间规整的MAD方法,可学习域对齐且判别性强的表征,在基准与遥感数据上取得了媲美或优于现有先进方法的分类性能。
2023-08-25 cs.LG
Matrix Profile XXVII: A Novel Distance Measure for Comparing Long Time Series
University of California, Riverside(加州大学河滨分校);Visa Research(维萨研究院)
最有用的数据采掘基元是距离度量。通过有效的距离度量,可以执行分类,聚类,异常检测,分割等。对于单事件时间序列,欧氏距离和动态时间弯曲距离是非常有效的。然而,对于包含周期性行为的时间序列,这种比较的语义意义不太清楚。例如,在两个不同的日子,来自运动员锻炼例程的遥测可能非常相似。第二天可能会改变执行俯卧撑和深蹲的顺序,增加引体向上的重复,或完全省略哑铃卷发。任何这些微小的变化都将击败现有的时间序列距离措施。一些袋的功能方法已被提出来解决这个问题,但我们认为,在许多情况下,相似性是密切相关的形状,这些较长的时间序列内的连续性。在这种情况下,总结性特征将缺乏区分能力。在这项工作中,我们介绍了PRCIS,它代表系列中的模式表示比较。PRCIS是长时间序列的距离度量,它利用了我们用字典总结时间序列的能力的最新进展。我们将展示我们的想法在不同任务和数据集上的实用性。
2022-12-09 cs.AI cs.LG
Cross-Temporal Attention Fusion (CTAF) for Multimodal Physiological Signals in Self-Supervised Learning
HEC Montréal(蒙特利尔高等商学院);Mila-Quebec Artificial Intelligence Institute(魁北克人工智能研究所Mila)
CTAF通过时间感知的交叉注意力机制,实现多模态生理信号在自监督学习中的高效融合,提升匹配对的余弦边距和跨模态检索性能,同时保持高准确率并减少标签依赖。
2026-02-02 cs.AI cs.LG
DKGCM: A Spatio-Temporal Prediction Model for Traffic Flow by Fusing Spatial Node Clustering Method and Fourier Bidirectional Mamba Mechanism
Sun Yat-sen University(中山大学)
本文提出 DKGCM 模型,通过 DK-GCN 空间节点聚类和融合 FFT 的双向 Mamba 机制分别捕获时空依赖,并引入 GRPO 优化训练,在三个公开数据集上取得优于先进方法的预测效果。
2025-06-26 cs.AI cs.LG
Comparing Deep Learning Models for the Task of Volatility Prediction Using Multivariate Data
The Australian National University(澳大利亚国立大学);Monash University(莫纳什大学);Euler Capital(欧拉资本);Lensky Analytics(伦斯基分析公司);University of Turku(图尔库大学)
该研究比较多种深度学习模型在多变量数据下预测波动率,发现时间融合Transformer及时间卷积网络变体优于经典GARCH和浅层网络,且差异显著。
2023-06-23 cs.LG q-fin.CP q-fin.RM
Beyond Geometry: Comparing the Temporal Structure of Computation in Neural Circuits with Dynamical Similarity Analysis
MIT(麻省理工学院)
本文提出动力学相似性分析(DSA),通过在高维线性嵌入中比较向量场来度量循环网络动力学层面的相似性,从而区分共轭与非共轭RNN及不同学习规则,弥补了仅依赖空间几何方法的不足。
2023-10-29 cs.LG cs.NE q-bio.NC
Closed-Form Diffeomorphic Transformations for Time Series Alignment
Vicomtech Foundation, Basque Research and Technology Alliance (BRTA)(巴斯克研究与技术联盟(BRTA)维康特克基金会);TECNUN School of Engineering, University of Navarra(纳瓦拉大学特克努工程学院);Institute of Data Science and Artificial Intelligence, University of Navarra(纳瓦拉大学数据科学与人工智能研究所)
时间序列对齐方法要求高度表达,可微和可逆的翘曲函数,保持时间拓扑结构,即同构。通过对由常微分方程(ODE)控制的速度场进行积分,可以生成双态翘曲函数。包含非纯变换的基于导数的优化框架需要计算微分方程解相对于模型参数的导数,即灵敏度分析。不幸的是,深度学习框架通常缺乏与自动微分兼容的灵敏度分析方法;而隐式函数,如ODE的解,需要特别小心。目前的解决方案呼吁伴随灵敏度方法,特设数值求解器或ResNet的欧拉离散化。在这项工作中,我们提出了一个封闭形式的表达下连续分段仿射(CPA)速度函数的常微分方程的解决方案和它的梯度。我们提出了一个高度优化的CPU和GPU上的结果的实现。此外,我们在几个数据集上进行了广泛的实验,以验证我们的模型对时间序列联合对齐的未知数据的泛化能力。结果表明,无论是在效率和准确性方面的显着改善。
2022-06-16 cs.AI cs.LG
A Probabilistic Time-Evolving Approach to Scanpath Prediction
Universidad de Zaragoza(萨拉戈萨大学);I3A(阿拉贡工程研究所)
人类的视觉注意是一个复杂的现象,已经研究了几十年。在其中,扫描路径预测的特定问题构成了挑战,特别是由于观察者间和观察者内的可变性等原因。此外,大多数现有的扫描路径预测方法都集中在优化预测的凝视点给定以前的。在这项工作中,我们提出了一个概率的时间演变的方法来预测扫描路径,基于贝叶斯深度学习。我们优化我们的模型使用一种新的时空损失函数的基础上结合的Kullback-Leibler发散和动态时间扭曲,共同考虑扫描路径的空间和时间维度。我们的扫描路径预测框架产生的结果优于当前最先进的方法,并且几乎与人类基线相当,这表明我们的模型能够生成其行为与真实行为非常相似的扫描路径。
2022-04-20 cs.CV cs.HC cs.LG