桥接神经网络与动态时间变形用于自适应时间序列分类
机器学习
2025-07-15 v1 人工智能
摘要
神经网络在时间序列分类中取得了显著的成功，但其对大量标记数据依赖限制了其在cold-start情景中的适用性。此外，它们缺乏可解释性，降低了决策透明度。相比之下，动态时间变形（DTW）结合最近邻分类器因其在有限数据设置下的有效性以及内在可解释性而广泛使用。然而，作为非参数方法，DTW不可训练，无法利用大量标记数据，使其在rich-resource情景下不如神经网络有效。在本工作中，我们旨在开发一个适应cold-start条件的 versatile模型，当标记数据充足时可训练，同时保持可解释性。我们提出了一种动态长度缩短算法，将时间序列转换为原型同时保留关键结构模式，从而实现DTW recurrence relation的等效循环神经网络。基于此，我们构建了一个模仿DTW对齐行为的可训练模型。作为神经网络，它在标记数据充足时可训练，同时仍保留DTW的内在可解释性。我们将该模型应用于几个基准时间序列分类任务，观察到在low-resource设置下显著优于以前的方法，在rich-resource设置下保持竞争力。
关键词
引用
@article{arxiv.2507.09826,
title = {Bridging Neural Networks and Dynamic Time Warping for Adaptive Time Series Classification},
author = {Jintao Qu and Zichong Wang and Chenhao Wu and Wenbin Zhang},
journal= {arXiv preprint arXiv:2507.09826},
year = {2025}
}