关注扭曲：面向多元时间序列的深度度量学习

深度时间序列度量学习具有挑战性，因为在针对非线性畸变的时间不变性与识别非匹配序列的判别力之间难以权衡。本文提出一种基于神经网络的鲁棒且具判别力的时间序列分类与验证新方法。该方法适配参数化注意力模型至时间扭曲，以获得更强且更自适应的时间不变性。它不仅对局部畸变鲁棒，也对大尺度全局畸变鲁棒，从而即使不满足单调性、连续性与边界条件的匹配对也能被成功识别。该模型的学习进一步由动态时间扭曲引导，以施加时间约束从而实现稳定训练与更高判别力。它可学习通过扭曲增强类间差异，从而有效区分相似但不同的类别。我们将其与深度在线签名验证框架结合，并在Unipen数据集上确认其单字母手写分类的良好表现后，通过实验证明了所提方法优于以往的非参数与深度模型。