NeuralWarp：基于扭曲网络的时间序列相似性度量
机器学习
2018-12-21 v1 机器学习
摘要
关于时间序列相似性度量的研究强调了弹性方法的需求，这类方法对齐时间序列对的索引，并且已提出了大量非参数方法用于该任务。另一方面，深度学习方法是密切相关领域（如学习图像与文本句子相似性）中的主导方法。本文中，我们提出 NeuralWarp，一种通过在深度编码的时间序列值之间以上层神经网络建模扭曲函数，从而在深度表示空间中建模时间序列索引对齐的新颖度量。实验结果表明，NeuralWarp 在一系列多样化的真实数据集上优于非参数方法与未扭曲的深度模型。
引用
@article{arxiv.1812.08306,
title = {NeuralWarp: Time-Series Similarity with Warping Networks},
author = {Josif Grabocka and Lars Schmidt-Thieme},
journal= {arXiv preprint arXiv:1812.08306},
year = {2018}
}