深度注意力时间扭曲

时间序列的相似性度量对于时间序列分类是重要问题。为处理非线性时间畸变，动态时间扭曲（DTW）已被广泛使用。然而，DTW 不可学习，且在抗时间畸变鲁棒性与判别力之间存在权衡。本文提出一种用于任务自适应时间扭曲的神经网络模型。具体而言，我们使用称为二分注意力模型的注意力模型，发展出一种具有更强畸变不变性的显式时间扭曲机制。与其他使用 DTW 进行扭曲的可学习模型不同，我们的模型预测两个时间序列间的所有局部对应，并基于度量学习进行训练，这使其能为目标任务学习最优的数据依赖扭曲。我们还提出通过 DTW 诱导我们模型的预训练以提升判别力。大量实验证明了我们的模型相对于 DTW 的优越有效性及其在在线签名验证中的 SOTA 性能。