动态时间规整距离的半度量化
机器学习
2018-09-05 v2 计算机视觉与模式识别
机器学习
摘要
动态时间规整(dtw)距离不满足三角不等式和不可分辨者同一性。因此，dtw 距离不是规整不变的，这进而在数据挖掘应用中导致一些反常现象。本文将 dtw 距离转换为半度量，并证明其典范扩展是规整不变的。实证结果表明，在所提出的半度量空间中的最近邻分类器性能与标准 dtw 空间中的同一分类器相当。为克服 dtw 空间的不期望反常现象，该结果表明应进一步探索用于数据挖掘应用的半度量空间。
引用
@article{arxiv.1808.09964,
title = {Semi-Metrification of the Dynamic Time Warping Distance},
author = {Brijnesh J. Jain},
journal= {arXiv preprint arXiv:1808.09964},
year = {2018}
}