metricDTW：动态时间规整中的局部距离度量学习
机器学习
2016-06-14 v1
摘要
我们提出学习多个局部 Mahalanobis 距离度量，以对时间序列执行 k 近邻 (kNN) 分类。时间序列首先通过动态时间规整 (DTW) 进行对齐；给定对齐路径，两个序列之间的相似度由 DTW 距离来衡量，该距离计算为沿对齐路径匹配时间点对之间的累积距离。传统上，欧几里得度量用于匹配对之间的距离计算，这忽略了数据规律性，对于手头的应用可能并非最优。这里我们提出学习多个 Mahalanobis 度量，使得 DTW 距离成为 Mahalanobis 距离之和。我们将大间隔最近邻 (LMNN) 框架应用于我们的情况，并将多度量学习表述为线性规划问题。大量的序列分类结果表明，我们提出的多度量学习方法有效，对先前的对齐质量不敏感，并在 UCR 时间序列数据集上达到了 SOTA 性能。
引用
@article{arxiv.1606.03628,
title = {metricDTW: local distance metric learning in Dynamic Time Warping},
author = {Jiaping Zhao and Zerong Xi and Laurent Itti},
journal= {arXiv preprint arXiv:1606.03628},
year = {2016}
}