多尺度流形扭曲
机器学习
2021-09-21 v1
摘要
许多现实应用需要对齐两条时间序列，包括生物信息学、手写识别、活动识别以及人机协调。动态时间规整（Dynamic Time Warping, DTW）是一种流行的对齐方法，但在维度常常不等的高维现实数据上可能失效。本文表明，利用现实数据的多尺度流形潜在结构可带来改进的对齐效果。我们提出一种称为小波上的扭曲（Warping on Wavelets, WOW）的新框架，将 DTW 与一种称为扩散小波（Diffusion Wavelets）的多尺度流形学习框架相整合。我们对 WOW 系列算法给出理论分析，并表明其在多个现实数据集上优于先前的最优方法，如典型时间扭曲（canonical time warping, CTW）与流形扭曲。
引用
@article{arxiv.2109.09222,
title = {Multiscale Manifold Warping},
author = {Sridhar Mahadevan and Anup Rao and Georgios Theocharous and Jennifer Healey},
journal= {arXiv preprint arXiv:2109.09222},
year = {2021}
}
备注
18 pages