条件深度规范时间变形
机器学习
2025-01-10 v2
摘要
序列的时间对齐是许多应用中的基本挑战，例如计算机视觉和生物信息学，需要考虑局部时间偏移。对齐不良会导致模型泛化差，尤其是在高维序列中。现有方法常在处理高维稀疏数据时难以优化，陷入 Poor 对齐。特征选择常用于增强稀疏数据的模型性能。然而，固定的特征集合通常不适用于动态变化的序列，需根据序列状态进行修改。因此，根据上下文输入修改所选特征会导致更好的对齐。我们提出的方法称为条件深度规范时间变形（CDCTW），用于稀疏时序数据的时间对齐以解决这些挑战。CDCTW 通过对数据在最大相关子空间中进行嵌入来进行动态时间变形，从而提高高维时序视图的对齐精度，这种方法通过新颖的特征选择方法处理稀疏性。我们通过在 various 数据集上的大量实验验证了 CDCTW 的有效性，显示其优于先前技术的性能。
引用
@article{arxiv.2412.18234,
title = {Conditional Deep Canonical Time Warping},
author = {Afek Steinberg and Ran Eisenberg and Ofir Lindenbaum},
journal= {arXiv preprint arXiv:2412.18234},
year = {2025}
}