可训练时间扭曲：在连续时间域中对齐时间序列
机器学习
2019-03-25 v1 人工智能
计算复杂性
机器学习
摘要
DTW计算两个信号在经受时间扭曲下的相似度或对齐。然而，其计算复杂度随时间序列数量呈指数增长。尽管已有算法在时间序列数量上呈线性，但它们在时间序列长度上通常为二次方。例外是广义时间扭曲(GTW)，其计算成本为线性，但只能识别简单的时间扭曲函数。亟需一种快速、高质量的多序列对齐新算法。我们引入可训练时间扭曲(TTW)，其复杂度在序列数量与长度上均呈线性。TTW使用sinc卷积核与基于梯度的优化技术在连续时间域执行对齐。我们在85个UCR数据集上比较TTW与GTW在时间序列平均与分类上的表现。TTW在67.1%的数据集的平均任务上、以及61.2%的数据集的分类任务上优于GTW。
引用
@article{arxiv.1903.09245,
title = {Trainable Time Warping: Aligning Time-Series in the Continuous-Time Domain},
author = {Soheil Khorram and Melvin G McInnis and Emily Mower Provost},
journal= {arXiv preprint arXiv:1903.09245},
year = {2019}
}
备注
ICASSP 2019