Exact, Parallelizable Dynamic Time Warping Alignment with Linear Memory
Ursinus College(乌尔辛纳斯学院)
音频对齐是许多MIR管道中的基本预处理步骤。对于分别具有M帧和N帧的两个音频剪辑,最流行的方法动态时间规整(DTW)在存储器和计算两者中具有O(MN)要求,这对于以合理速率的帧级对准是禁止的。为了解决这个问题,存在各种存储器有效的算法来近似DTW成本下的最佳对齐。然而,据我们所知,没有确切的算法存在,保证打破二次记忆障碍。在这项工作中,我们提出了一个分而治之的算法,计算精确的全局最优DTW对齐使用O(M+N)的内存。它的运行时间仍然是O(MN),用内存换取2倍的计算增长。然而,该算法可以在相同的内存约束下并行化到min(M,N)的因子,因此它仍然可以比具有足够GPU的教科书版本更有效地运行。我们使用我们的算法来计算一组管弦乐的精确对齐,我们使用它作为地面实况来基准几个流行的近似对齐方案在以前不可能的尺度上的对齐精度。
2020-08-04 cs.IR cs.LG cs.MM
Conditional Deep Canonical Time Warping
Bar Ilan University(巴伊兰大学);Faculty of Engineering(工程学院)
本文提出CDCTW,通过上下文相关的新颖特征选择和最大相关子空间中的动态时间规整,提升高维稀疏序列的时间对齐精度。
2025-01-09 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
Parameterizing the cost function of Dynamic Time Warping with application to time series classification
Monash University(莫纳什大学)
动态时间规整(DTW)是一种流行的时间序列距离度量,它将两个序列中的点彼此对齐。这些对齐支持时间维度的扭曲,以允许以不同速率展开的过程。该距离是在时间维度的任何允许的扭曲上所产生的路线的成本的最小总和。两个点的对齐成本是这些点的值之差的函数。原始成本函数是该差值的绝对值。已提出其他成本函数。一个流行的替代方法是差值的平方。然而,据我们所知,这是第一次调查使用不同成本函数的相对影响和调整成本函数以适应不同任务的潜力。我们在本文中这样做,通过使用一个可调的成本函数λγ参数γ。我们发现,γ值越高,对较大的成对差异的权重越大,而γ值越低,对较小的成对差异的权重越大。我们证明,训练γ显着提高了DTW最近邻和邻近森林分类器的准确性。
2023-03-29 cs.LG
Dynamic State Warping
University of Science and Technology of China(中国科学技术大学)
序列在许多领域中的普遍存在增强了序列学习的兴趣,其中一个基本问题是如何测量序列之间的距离。动态时间规整(DTW)通过非线性局部规整来对齐两个序列并返回距离值。DTW在视频、图像等应用中表现出优越的性能。然而,在DTW中,两个点的配对基本上是基于点到点的欧氏距离(ED),而不考虑序列的自相关性。因此,具有不同语义含义的点(例如,峰和谷)可以被匹配,只要它们的坐标值相似。因此,DTW对噪声敏感且难以解释。本文提出了一种高效灵活的序列比对算法--动态变形算法。DSW将每个时间点转换为潜在状态,从而赋予逐点自相关信息。通过使用状态序列来执行比对。因此,DSW能够产生比DTW更语义可解释的对齐。使用一个最近邻分类器,DSW显示出与ED(70/85胜)和DTW(74/85胜)相比在分类精度上的显著改善。我们还经验证明,DSW是更强大的,更好地扩展到长序列比ED和DTW。
2017-03-03 cs.LG
metricDTW: local distance metric learning in Dynamic Time Warping
University of Southern California(南加州大学)
我们建议学习多个局部马氏距离度量来执行时间序列的k-最近邻(kNN)分类。时间序列首先通过动态时间规整(DTW)进行对齐;给定对齐路径,两个序列之间的相似性通过DTW距离来度量,DTW距离是沿着对齐路径匹配的时间点对之间的累积距离。传统上,欧几里德度量用于匹配对之间的距离计算,忽略了数据的冗余性,并且可能不是最佳的。在这里,我们建议学习多个Mahalanobis度量,使得DTW距离成为Mahalanobis距离的总和。我们采用大间隔最近邻(LMNN)框架来适应我们的情况,并将多度量学习公式化为线性规划问题。大量的序列分类结果表明,我们提出的多度量学习方法是有效的,不敏感的前面的比对质量,并达到最先进的性能在UCR时间序列数据集。
2016-06-11 cs.LG
Amercing: An Intuitive, Elegant and Effective Constraint for Dynamic Time Warping
Monash University(莫纳什大学)
动态时间规整(DTW)及其约束(CDTW)和加权(WDTW)变体是具有广泛应用的时间序列距离。它们最大限度地减少了系列之间非线性对齐的成本。CDTW和WDTW已经被引入,因为DTW在其对齐中过于宽松。然而,CDTW使用粗糙的阶跃函数,允许在窗口内不受约束的灵活性,并且没有超出它WDTW的乘法权重是相对于沿着扭曲路径对齐的点之间的距离,而不是引入的扭曲量的直接函数。在本文中,我们介绍了Amerced动态时间规整(ADTW),一个新的,直观的,DTW的变种,惩罚行为的翘曲由一个固定的附加成本。像CDTW和WDTW一样,ADTW约束翘曲量。然而,它避免了在允许的扭曲量和乘法惩罚的限制中的突然不连续性。我们正式介绍ADTW,证明它的一些性质,并讨论其参数化。我们展示了一个简单的例子,它可以被参数化,以实现一个直观的结果,并证明其实用性的标准时间序列分类基准。我们提供了一个C++的演示应用程序。
2021-11-26 cs.LG
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
Feature Trajectory Dynamic Time Warping for Clustering of Speech Segments
University of Stellenbosch(斯泰伦博斯大学)
动态时间规整(DTW)可以用于计算通常不同长度的两个序列之间的相似性。我们提出了一个修改DTW,执行个人和独立的成对对齐的特征轨迹。修改后的技术,称为特征轨迹动态时间规整(FTDTW),适用于作为一个相似性度量的凝聚层次聚类的语音段。实验使用MFCC和PLP parametrisations提取TIMIT和阿拉伯语数字口语数据集(SADD)的F-措施和归一化互信息(NMI)的质量得到的集群一致和统计上显着的改善。
2018-10-30 cs.LG cs.SD eess.AS
A General Optimization Framework for Dynamic Time Warping
动态时间扭曲的目标是变换或扭曲时间,以便近似地将两个信号对齐在一起。我们提出的翘曲函数的选择作为一个优化问题的目标中有几个条款。第一项测量时间扭曲信号的未对准。两个额外的正则化项惩罚累积扭曲和时间扭曲的瞬时速率;可以通过将值+inf分配给正则化项来对扭曲施加约束。三个目标项的不同选择产生不同的时间扭曲函数,其权衡信号拟合或对准以及扭曲函数的性质。我们制定的优化问题是一个经典的最优控制问题,初始和终端的限制,和一个状态维度。我们描述了一个有效的一般方法,最大限度地减少了目标的原始和翘曲时间的离散化值,并使用标准的动态规划计算(全球)最优翘曲函数的离散化值。该方案的迭代细化在几次迭代中产生高精度的翘曲函数。我们的方法是作为一个开源Python包GDTW实现的。
2019-05-31 cs.LG math.OC stat.ML
NeuralWarp: Time-Series Similarity with Warping Networks
Information Systems and Machine Learning Lab(信息系统与机器学习实验室)
时间序列相似性度量的研究强调了弹性方法的必要性,这些方法可以调整时间序列对的索引,并且已经提出了大量的非参数方法。另一方面,深度学习方法在密切相关的领域占主导地位,例如学习图像和文本句子相似性。在本文中,我们提出了\textit{NeuralWarp},一种新的措施,模型对齐的时间序列索引在深表示空间,通过建模的翘曲函数作为一个上层神经网络之间的深度编码的时间序列值。实验结果表明,\textit{NeuralWarp}在一系列不同的现实生活数据集上的性能优于非参数和未扭曲的深度模型。
2018-12-20 cs.LG stat.ML
Time Series Data Augmentation for Neural Networks by Time Warping with a Discriminative Teacher
Kyushu Univeristy(九州大学)
神经网络已经成为模式识别中的强大工具,其成功的部分原因是使用大型数据集的泛化。然而,与其他领域不同,时间序列分类数据集通常很小。为了解决这个问题,我们提出了一种新的时间序列数据增强称为引导翘曲。虽然许多数据增强方法基于随机变换,但引导扭曲利用动态时间扭曲(DTW)和shapeDTW(一种基于形状描述符的高级DTW方法)的元素对齐特性来确定性地扭曲样本模式。以这种方式,通过扭曲样本模式的特征以匹配参考模式的时间步长来混合时间序列。此外,我们还引入了一个判别教师,以作为指导翘曲的直接参考。我们使用深度卷积神经网络(CNN)和递归神经网络(RNN)对2015年UCR时间序列档案中的所有85个数据集进行了评估。可以在https://github.com/uchidalab/time_series_augmentation上找到易于使用的实现代码。
2020-04-19 cs.LG stat.ML
TimePoint: Accelerated Time Series Alignment via Self-Supervised Keypoint and Descriptor Learning
School of Brain sciences and Cognition, BGU(本-古里安大学脑科学与认知学院)
提出自监督方法 TimePoint,通过 1D 微分同胚生成合成数据并利用全卷积和小波卷积架构学习关键点与描述符,将 DTW 应用于稀疏表示以实现更快更准确的时间序列对齐。
2025-05-29 cs.CV cs.LG
TimewarpVAE: Simultaneous Time-Warping and Representation Learning of Trajectories
Cornell Tech(康奈尔科技学院)
本文提出可微流形学习算法 TimewarpVAE,结合动态时间规整同时学习轨迹的时间对齐与空间潜在表示,在手写和操作数据集上取得更低重建误差,并能生成语义有意义的新轨迹。
2024-06-07 cs.LG cs.RO
Random Warping Series: A Random Features Method for Time-Series Embedding
IBM Research(IBM研究院);Carnegie Mellon University(卡内基梅隆大学);College of William and Mary(威廉与玛丽学院);University of Texas at Austin(得克萨斯大学奥斯汀分校)
几十年来,时间序列数据分析一直是人们感兴趣的问题,而动态时间弯曲(DTW)一直是最广泛采用的技术来衡量时间序列之间的差异。此后,在DTW的精神下,提出了许多全局对齐内核,以将其使用扩展到基于内核的估计方法,例如支持向量机。然而,这些内核遭受对角优势的革兰氏矩阵和二次复杂性w.r.t.样本量。在这项工作中,我们研究了一个家庭的感知正定(p. d.)核,其特征嵌入由\emph{Random Warping Series (RWS)}的分布给出。所提出的核不受对角优势的问题,而自然享有\emph{Random Features}(RF)的近似,这降低了现有的基于DTW的技术的计算复杂性从二次到线性的时间序列的数量和长度。我们还研究了无界长度时间序列域的RF逼近的收敛性。我们在16个基准数据集上进行的大量实验表明,RWS在准确性和计算时间方面优于或匹配最先进的分类和聚类方法。我们的代码和数据可在{ \url{https://github.com/IBM/RandomWarpingSeries} }获得。
2018-09-14 cs.LG stat.ML
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
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
Agglomerative Hierarchical Clustering with Dynamic Time Warping for Household Load Curve Clustering
Western University(西安大略大学)
能源公司经常实施各种需求响应(DR)计划,通过在关键时期为消费者提供减少需求的激励措施来更好地匹配电力需求和供应。根据客户的消费模式对客户进行分类,可以针对特定的消费者群体进行DR。传统的聚类算法使用标准的距离测量来找到两点之间的距离。聚类算法(如K-means、K-medoids和高斯混合模型)产生的结果取决于聚类参数或初始聚类。相比之下,我们的方法使用基于形状的方法,结合凝聚层次聚类(AHC)与动态时间弯曲(DTW)的住宅家庭的日常负荷曲线分类的基础上,他们的消费模式。虽然DTW寻求两个负载曲线之间的最佳对齐,但AHC提供了一个现实的初始聚类中心。在本文中,我们与其他聚类算法,如K-means,K-medoids,和GMM使用不同的距离措施的结果进行比较,我们表明,AHC使用DTW优于其他聚类算法,需要更少的集群。
2022-10-18 cs.LG
A Hybrid Approach to Audio-to-Score Alignment
Centre for Digital Music, Queen Mary University of London(伦敦玛丽女王大学数字音乐中心)
音频到乐谱对齐旨在生成表演音频和给定作品的乐谱之间的准确映射。标准对齐方法基于动态时间扭曲(DTW)并采用手工特征。我们探讨使用神经网络作为预处理步骤DTW为基础的自动对齐方法。在不同声学条件下的音乐数据上的实验表明,该方法在适应性强的同时产生了鲁棒的对齐。
2020-07-28 cs.LG cs.SD eess.AS
OTW: Optimal Transport Warping for Time Series
Salesforce Research(赛富时研究院)
本文提出基于最优传输的时间序列度量 OTW,以线性时间/空间、可微且可并行的特性替代 DTW,并在分类、聚类和深度学习任务中验证其效果。
2023-06-01 cs.LG
Weakly Supervised Temporal Anomaly Segmentation with Dynamic Time Warping
University of Illinois at Urbana-Champaign (UIUC)(伊利诺伊大学厄巴纳-香槟分校);Pohang University of Science and Technology (POSTECH)(浦项科技大学)
最近关于检测和定位时态异常的研究主要采用深度神经网络以无监督的方式学习时态数据的正常模式。与它们不同的是,我们的工作目标是充分利用实例级(或弱)异常标签,这些标签仅指示在每个时态数据实例中是否发生了任何异常事件。在本文中,我们提出了WETAS,一个新的框架,有效地识别异常的时间段(即,连续的时间点)。WETAS从实例级标签中学习判别特征,以便推断每个实例中正常和异常段的顺序,这可以用作粗略的分割掩码。WETAS通过对输入实例与其分割模板进行动态时间规整(DTW)对齐,得到时间分割结果,同时利用模板作为额外的监督,进一步增强了WETAS。我们的实验表明,WETAS在时间异常的定位方面大大优于其他基线,并且它提供了比点级检测方法更丰富的结果。
2021-08-15 cs.AI cs.CV cs.LG
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
Deep Canonical Correlation Alignment for Sensor Signals
ARTORG Center for Biomedical Research(ARTORG生物医学研究中心);University of Bern(伯尔尼大学);DomoSafety S.A.(DomoSafety股份公司)
传感器技术在生物医学领域正变得越来越普遍,其应用范围从处于风险中的人的远程监护到使用传感器导出的信息作为临床试验中的客观终点。为了充分利用传感器信息,来自不同传感器的信号通常必须在时间上对齐。然而,由于不完美的振荡器和显着的噪声,通常遇到的生物医学信号,原始信号的时间对准是一个几乎微不足道的问题,与,迄今为止,没有普遍适用的解决方案。在这项工作中,我们提出了深度典型相关对齐(DCCA),一种新颖的,普遍适用的解决方案,用于原始(生物医学)传感器信号的时间对齐。DCCA允许从业者直接对齐来自不同传感器的原始信号,而不需要深入的领域知识。在人工和真实数据集的选择,我们证明了DCCA的性能和实用性在各种条件下。我们比较了DCCA算法与其他基于翘曲的方法,DCCA优于动态时间翘曲和互相关的方法的一个数量级的对齐误差。DCCA在几乎周期性的生物医学信号(如心跳和呼吸模式)上表现得特别好。与现有的方法相比,DCCA不仅速度足够快,可以处理具有数十亿数据点的信号,而且还提供自动过滤和转换功能,使其能够处理非常嘈杂的信号,甚至形态上不同的信号。
2021-07-26 cs.LG
Dynamic Time Warping based Adversarial Framework for Time-Series Domain
Washington State University(华盛顿州立大学)
提出基于动态时间规整的对抗框架DTW-AR,用于生成时间序列对抗样本并提升DNN鲁棒性,实验验证其有效性。
2022-11-22 cs.LG
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
Video alignment using unsupervised learning of local and global features
Sharif University of Technology(谢里夫理工大学)
提出融合行人检测、姿态估计与 VGG 特征的无监督视频对齐方法,并用 DDTW 对齐多维时间序列,在 Penn action 与 UCF101 子集上优于现有方法。
2024-09-06 cs.CV cs.LG
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
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
A kernel for time series based on global alignments
在本文中,我们提出了一个新的家庭的内核处理时间序列,特别是语音数据,内核的方法,其中包括流行的算法,如支持向量机的框架内。这些内核通过考虑相同的一组基本操作(即令牌的替换和重复)来详细说明众所周知的动态时间规整(DTW)距离家族,以将一个序列映射到另一个序列上。DTW算法将这些操作中的每一个与给定的分数相关联,使用动态规划技术来计算具有高总分的最佳操作序列。在本文中,我们认为,而不是所有可能的路线跨越的分数,采取平滑的版本,其最大值,并推导出这个公式的内核。我们证明,这个内核是正定的有利条件下,并显示它可以有效地调整为实际应用中,我们报告令人鼓舞的结果上的语音识别任务。
2006-10-06 cs.CV cs.LG
Learning Frame Similarity using Siamese networks for Audio-to-Score Alignment
Queen Mary University of London(伦敦玛丽女王大学)
音频到乐谱对齐旨在生成表演音频和给定作品的乐谱之间的准确映射。标准的校准方法基于动态时间规整(DTW),并采用手工制作的功能,无法适应不同的声学条件。我们提出了一种方法来克服这一限制,使用学习帧相似性的音频到分数对齐。我们专注于钢琴音乐的离线音频到乐谱对齐。对不同声学条件下的音乐数据的实验表明,我们的方法比使用手工特征的标准DTW方法实现了更高的对齐精度,并生成鲁棒的对齐,同时适应不同的域。
2020-11-15 cs.IR cs.LG cs.SD
Automatic Registration and Clustering of Time Series
University of Florida(佛罗里达大学)
时间序列数据的聚类显示出在其他环境中不存在的许多挑战,特别是观测信号的配准(对准)问题。典型的方法包括预先注册到用户指定的模板或时间扭曲的方法,试图以最小的失真最佳地对齐系列。对于从记录或感测设备获得的许多信号,这些方法可能是不合适的,因为模板信号不可用于预配准,而扭曲方法的失真可能使有意义的时间信息模糊。我们提出了一种新的方法自动时间序列对齐内的聚类问题。我们的方法,时间注册使用最佳酉变换(TROUT),是基于一种新的时间序列之间的相异性测量,很容易计算和自动识别之间的最佳对齐对时间序列。通过将我们的新措施嵌入到优化公式中,我们保留了众所周知的计算和统计性能优势。我们提供了一个有效的算法,基于TROUT的聚类,并证明其优越的性能在一系列的竞争对手。
2021-02-10 cs.LG stat.ME stat.ML
DeepFRC: An End-to-End Deep Learning Model for Functional Registration and Classification
Institute of Mathematical Sciences, ShanghaiTech University(数学科学研究院,上海科技大学)
本文提出端到端框架 DeepFRC,通过联合学习微分同胚扭曲与分类器,融合弹性对齐、Fourier 谱表示和类别感知对比损失,实现函数数据的同步配准与分类,并给出理论保证和优于现有方法的实验结果。
2025-09-27 cs.CV cs.LG stat.ML
Bayesian Alignments of Warped Multi-Output Gaussian Processes
Technical University of Munich(慕尼黑工业大学);Siemens AG(西门子股份公司);University of Bristol(布里斯托大学)
提出了一种基于潜在共享信息的时间序列非线性对齐贝叶斯建模方法。我们将该方法应用于现实世界中的问题,找到共同的结构,在传感器数据的风力涡轮机引入的潜在的和湍流的风场。所提出的模型允许任意对齐的输入和非参数的输出翘曲转换的意见。这产生了通过潜在生成过程连接的多个深度高斯过程模型。我们提出了一个有效的变分近似嵌套变分压缩的基础上,并展示了如何使用该模型来提取相关的时间序列之间的共享信息,恢复一个可解释的功能分解的学习问题。我们展示了两个风力涡轮机的人工数据集和真实数据的结果。
2018-05-23 cs.LG stat.ML
Bridging Neural Networks and Dynamic Time Warping for Adaptive Time Series Classification
University of Southern California(南加州大学);Florida International University(佛罗里达国际大学)
本研究提出一种结合神经网络与动态时间规整(DTW)的可训练模型,通过动态长度缩短算法将DTW转化为等效循环神经网络,在保持可解释性的同时,有效解决了时间序列分类中冷启动场景与资源丰富场景的适应性问题。
2025-07-13 cs.AI cs.LG
Affine and Regional Dynamic Time Warpng
University of Waterloo(滑铁卢大学)
两个时间序列之间的逐点匹配在时间序列分析中是非常重要的,并且已知动态时间规整(DTW)提供通常合理的匹配。在某些情况下,时间序列对齐应该对幅度的缩放和偏移保持不变,或者所考虑的时间序列的局部区域应该强烈反映在逐点匹配中。DTW的两个不同的变体,仿射DTW(ADTW)和区域DTW(RDTW),提出了处理幅度的缩放和偏移,并分别提供区域强调。此外,ADTW和RDTW可以以两种不同的方式组合以生成结合了两种方法的优点的比对,其中仿射模型可以全局地应用于整个时间序列或局部地应用于每个区域。所提出的对齐方法在特定的模拟数据集上优于DTW,并且使用其相关差异度量的一个最近邻分类器与真实数据集上最先进的对齐方法相关的差异度量具有竞争力。
2015-05-25 cs.CE cs.CV cs.LG
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
Times series averaging from a probabilistic interpretation of time-elastic kernel
UMR CNRS IRISA(法国国家科学研究中心UMR IRISA实验室);Université de Bretagne Sud(南布列塔尼大学)
基于正则化动态时间规整核函数,重新定义了时间序列的时间弹性质心(TEC)概念。从这个角度来看,我们首先展示了如何TEC可以很容易地解决作为一个原像问题。不幸的是,这个原像问题是不适定的,可能会遭受过度拟合,特别是对于长时间序列,并获得次优解决方案涉及沉重的计算成本。然后,我们推导出两个新的算法的基础上的概率解释的内核对齐矩阵,表示在概率分布的对齐路径集。第一种算法是一种迭代凝聚算法,其灵感来自于专门为动态时间规整度量提出的最新DTW重心平均(DBA)算法。第二种算法实现了经典的对齐样本的平均,但也实现了对齐样本的出现时间的平均。它利用了一种直截了当的渐进凝聚式逻辑学。一个实验比较了45个时间序列数据集的分类出错率,该实验是由利用单个中心点或质心估计来表示每个类别的第一近邻分类器获得的,该实验表明:i)基于质心的方法显著优于基于中心点的方法,ii)根据所考虑的经验,所提出的两种算法优于现有技术的DBA算法,以及iii)在样本空间中以及沿着时间轴联合实现平均的第二种提出的算法作为具有令人感兴趣的降噪能力的最显著鲁棒的时间弹性平均试探法出现。索引术语-时间序列平均时间弹性内核动态时间弯曲时间序列聚类和分类。
2015-06-09 cs.DS cs.LG
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
Pattern Localization in Time Series through Signal-To-Model Alignment in Latent Space
University of Cantabria(坎塔布里亚大学);IMT Lille Douai(里尔-杜埃国立高等矿业电信学院);Tecnatom S.A.(泰克纳通公司)
在本文中,我们研究的问题定位一个预定义的序列模式的时间序列。特别是,所研究的方案假设一个理论模型是可用的,其中包含的模式的预期位置。这个问题在几种情况下都会出现,通常通过首先从模型中合成时间序列,然后通过动态时间扭曲将其与真实时间序列对齐来解决。我们提出了一种技术,增加了这两个时间序列的相似性,然后将它们映射到一个潜在的相关空间。映射是通过机器学习设置从数据中学习的。无损检测数据的实验表明,所提出的方法显示出显着的改进,在最先进的。
2018-02-19 cs.LG stat.ML
Sequence Alignment with Dirichlet Process Mixtures
University of Bath(巴斯大学);University of Tübingen(图宾根大学);University of Bristol(布里斯托尔大学)
提出了一种基于Dirichlet过程混合模型(DPMM)的高维时间扭曲序列无监督比对概率模型。我们遵循(Kazlauskaite,2018)中介绍的方法,同时将每个数据序列表示为真实底层函数和时间扭曲的组合,两者都使用高斯过程(GP)(Rasmussen,2005)建模,并使用无监督对齐方法对齐底层函数。在(Kazlauskaite,2018)中,使用GP潜变量模型(GP-LVM)(Lawrence,2005)作为序列模型进行比对,而我们的主要贡献是将这种方法扩展到使用DPMM,这允许我们在时间上比对序列并同时对其进行聚类。我们表明,DPMM实现了竞争力的结果相比,GP-LVM合成和真实世界的数据集,并讨论了不同的属性的估计的基础功能和这些模型所青睐的时间扭曲。
2018-11-26 cs.LG stat.ML
LogoRA: Local-Global Representation Alignment for Robust Time Series Classification
Institute of Automation, Chinese Academy of Sciences (CASIA)(中国科学院自动化研究所);School of Artificial Intelligence, University of Chinese Academy of Sciences (UCAS)(中国科学院大学人工智能学院);Squirrel AI Group(松鼠AI集团)
LogoRA提出双分支编码器与融合模块,结合三元组损失、动态时间规整、对抗训练和原型对齐,实现时间序列局部-全局特征对齐,在四个数据集上优于基线最高12.52%。
2024-09-12 cs.LG
Towards Reliable Real-time Opera Tracking: Combining Alignment with Audio Event Detectors to Increase Robustness
Institute of Computational Perception(计算感知研究所);LIT AI Lab(LIT人工智能实验室);Linz Institute of Technology(林茨理工学院);Johannes Kepler University Linz(约翰内斯·开普勒大学林茨分校)
实时乐谱跟踪的最新进展使机器能够自动跟踪高度复杂的复调音乐,包括完整的管弦乐队表演。在本文中,我们试图将其提升到更高的水平,即对完整歌剧的现场跟踪。我们首先应用一个国家的最先进的音频对齐方法的基础上,在线动态时间扭曲(OLTW)的莫扎特歌剧的全长录音,并分析跟踪器的最严重的错误,确定三个常见的问题来源,具体到歌剧场景。为了解决这些问题,我们提出了一个基于DTW的音乐跟踪器与专门的音频事件检测器(掌声,沉默/噪声和语音),条件DTW算法在自上而下的方式,并显示,一步一步,这些检测器如何增加鲁棒性的分数追随者的组合。然而,仍然有一些开放的问题,我们确定为正在进行的和未来的研究目标。
2020-06-19 cs.LG cs.SD eess.AS
Discrete Autoregressive Transformer for Generative Mechanism Synthesis
Computer-Aided Design and Innovation Lab, Department of Mechanical Engineering, Stony Brook University(石溪大学机械工程系计算机辅助设计与创新实验室)
提出离散自回归变压器,将平面路径综合转化为条件序列建模,通过VAE潜在变量和机构类型令牌生成关节坐标,实现多样准确机构设计。
2026-06-17 cs.AI cs.LG
Soft-MSM: Differentiable Context-Aware Elastic Alignment for Time Series
School of Electronics and Computer Science(电子与计算机科学学院);University of Southampton(南安普顿大学)
本文提出Soft-MSM,一种基于上下文感知的弹性对齐损失函数,通过平滑门替代MSM的分段分合成本,实现可微梯度计算,实验表明其在时间序列聚类和分类任务中优于Soft-DTW。
2026-04-30 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
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
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