基于光滑时间对齐的时序联合对齐与平均网络
摘要
在时序分析中，非线性时间错位仍是一个关键挑战，阻碍了简单的平均操作。自Diffeomorphic Temporal Alignment Net (DTAN) 提出以来，我们的方法已被证明是有效解决方案（这些会议论文是当前手稿的早期部分版本）。DTAN以输入依赖的方式预测并应用光滑变换，从而实现对时序数据集合的无监督或弱监督联合对齐（JA）和平均。弱/无监督环境下的固有挑战，特别是通过过度信号变形导致平凡解的风险，采用两种不同策略之一加以缓解：1）对变形的正则化项；2）使用逆一致性平均误差（Inverse Consistency Averaging Error, ICAE）。后者是一种无正则化的新方法，同时也支持变长信号的JA。我们还进一步扩展框架以包含多任务学习（MT-DTAN），实现时序联合对齐和分类的同时。此外，我们对不同的骨干网络架构进行了全面评估，证明其在时序对齐任务中的有效性。最后，我们展示了该方法在为误位时序数据启用主成分分析（PCA）方面的实用性。广泛的在128个UCR数据集上的实验验证了我们方法相对于当代平均方法（包括传统方法和基于学习的方法）的优势，标志着时序分析领域的重大进展。
引用
@article{arxiv.2502.06591,
title = {Diffeomorphic Temporal Alignment Nets for Time-series Joint Alignment and Averaging},
author = {Ron Shapira Weber and Oren Freifeld},
journal= {arXiv preprint arXiv:2502.06591},
year = {2025}
}
备注
This manuscript covers and extends the papers: Diffeomorphic Temporal Alignment Nets (DTAN; NeruIPS 2019) and Regularization-free Diffeomorphic Temporal Alignment Nets (ICML 2023). Additional contributions: Multi-tasking DTAN, PCA-DTAN and more