TimePoint：基于自监督关键点与描述符学习的加速时间序列对齐
计算机视觉与模式识别
2025-05-30 v1 机器学习
摘要
时间序列的快速且可扩展对齐是许多领域的基础挑战。标准解决方案动态时间规整（DTW）存在可扩展性差和对噪声敏感的问题。我们引入了 TimePoint，这是一种自监督方法，通过从合成数据中学习关键点和描述符，极大地加速了基于 DTW 的对齐，同时通常能提高对齐精度。TimePoint 受 2D 关键点检测启发，但针对 1D 信号的独特挑战进行了精心调整，利用高效的 1D 微分同胚（能有效建模非线性时间规整）来生成逼真的训练数据。这种方法结合全卷积和小波卷积架构，能够提取信息丰富的关键点和描述符。将 DTW 应用于这些稀疏表示可带来大幅加速，且对齐精度通常高于对完整信号应用标准 DTW。TimePoint 仅在合成数据上训练时就表现出对真实世界时间序列的强泛化能力，并在真实数据上微调后进一步提升。大量实验表明，TimePoint 始终比标准 DTW 实现更快、更准确的对齐，使其成为时间序列分析的可扩展解决方案。我们的代码可在 https://github.com/BGU-CS-VIL/TimePoint 获取
引用
@article{arxiv.2505.23475,
title = {TimePoint: Accelerated Time Series Alignment via Self-Supervised Keypoint and Descriptor Learning},
author = {Ron Shapira Weber and Shahar Ben Ishay and Andrey Lavrinenko and Shahaf E. Finder and Oren Freifeld},
journal= {arXiv preprint arXiv:2505.23475},
year = {2025}
}
备注
ICML 2025