首页 时政热点 科技头条 智能AI 安全攻防 数码硬件 开发者生态 归档 标签 关于
智能AI morning

WETW:学习特定对的加权欧几里德距离以实现高效的 DTW 搜索

2026-11-16 1 阅读 约2分钟阅读 Christos Panourgias, Qitong Wang, George Tzagkarakis, Themis Palpanas
分享:
字号:
arXiv:2611.17412v1 公告类型:新 摘要:动态时间规整(DTW)是对时间不对齐的时间序列进行相似性搜索的标准距离,但其成本是序列长度的二次方,并且下界通常会修剪很少的候选者,因此对长序列的大型集合的搜索速度很慢。学习的近似值嵌入该级数以简化比较,但使用相同的固定规则(通常是欧几里得距离)来比较每一对,尽管 DTW 以不同的方式对齐每一对。我们观察到,一旦一对对齐,DTW 就是为该对选择的坐标上的欧几里得距离。基于这个观点,我们提出了加权欧几里得时间规整(WETW),这是一种学习距离,可以适应每对固定长度嵌入的比较。小型对称网络在不计算对齐的情况下预测每个嵌入维度和对的一个权重,这将相同嵌入的最佳静态距离的误差减半。嵌入来自加权欧几里得序列编码器 (WESEE),其多尺度时间特征提取器保留了全局池化删除的时序信息,并将 recall@1 从 0.90 提高到 0.95,尽管 WETW 适用于任何编码器。我们还表明,拟合 DTW 距离对于搜索来说是不够的,因为单独的回归会错误地排序最近的邻居,并且排名正则化将recall@1从0.79提高到0.95。我们的过滤和验证管道 WETW-FV 使用 WETW 构建候选列表并使用精确的 DTW 进行检查,因此搜索是近似的,但每个返回的距离都是精确的。在 8 个数据集上,WETW-FV 比 UCR Suite、下界和 MESSI-DTW 中最快的精确方法快 11.4 倍,平均召回率@10 为 0.93,而最佳学习基线在相同速度下达到 0.59。在 48K 点系列上,WETW-FV 仍然比 UCR Suite 快 40 倍,recall@10 为 0.91。
这篇文章对您有帮助吗?

订阅66必读

每日精选科技资讯,直达你的邮箱