FastDTW 是近似的且通常比其所近似的算法更慢
机器学习
2022-09-07 v5 机器学习
摘要
许多时间序列数据挖掘问题可通过重复使用距离度量来解决。此类任务包括相似度搜索、聚类、分类、异常检测与分割。二十多年来，已知动态时间规整（Dynamic Time Warping, DTW）距离度量在大多数领域的大多数任务中都是最佳度量。由于经典 DTW 算法具有二次时间复杂度，人们提出了许多思路以降低其均摊时间或快速近似它。被引用最多的近似方法之一是 FastDTW。FastDTW 算法被引用逾千次，并已在数百项研究中被显式使用。在本工作中，我们提出一个令人惊讶的主张：在任何现实的数据挖掘应用中，近似的 FastDTW 都比精确的 DTW 慢得多。这一事实显然对使用该算法的社区具有启示：使其能处理更大数据集、获得精确结果，且耗时更短。
引用
@article{arxiv.2003.11246,
title = {FastDTW is approximate and Generally Slower than the Algorithm it Approximates},
author = {Renjie Wu and Eamonn J. Keogh},
journal= {arXiv preprint arXiv:2003.11246},
year = {2022}
}
备注
Full paper accepted by IEEE TKDE, extended abstract accepted by IEEE ICDE 2021