Autowarp：利用序列自编码器从无标签时间序列中学习扭曲距离
机器学习
2018-10-25 v1 机器学习
摘要
在医学、天文学、金融和计算机视觉等不同领域中，测量无标签时间序列轨迹之间的相似度是一个重要问题。由于轨迹中噪声的复杂性（例如不同的采样率或离群值），通常不清楚应使用何种合适的度量。领域专家通常手工设计或手动选择特定度量，例如动态时间规整（DTW），应用于其数据。本文提出 Autowarp，一种端到端算法，可在给定无标签轨迹的情况下优化并学习良好的度量。我们定义了一族灵活且可微的扭曲度量，涵盖 DTW、欧氏距离和编辑距离等常用度量。Autowarp 随后利用序列自编码器的表征能力来优化该扭曲距离族中的一个成员。输出是一种易于解释且能从相对较少的轨迹中稳健学习的度量。在跨不同领域的系统性实验中，我们表明 Autowarp 常优于手工设计的轨迹相似度度量。
引用
@article{arxiv.1810.10107,
title = {Autowarp: Learning a Warping Distance from Unlabeled Time Series Using Sequence Autoencoders},
author = {Abubakar Abid and James Zou},
journal= {arXiv preprint arXiv:1810.10107},
year = {2018}
}
备注
Accepted at NIPS 2018