DTW检索不再对每对序列用同一把尺:WETW按对生成权重,长序列上比UCR Suite快40倍
核心概要
WETW把DTW检索中的比较规则从固定距离改为按序列对生成权重:两个固定长度嵌入送入一个小型对称网络,为每个嵌入维度预测一个权重,无需计算对齐路径。在八个数据集上,WETW-FV以精确DTW校验短名单,平均recall@10为0.93时速度达到最快精确方法的11.4倍;在48K点序列上recall@10为0.91时仍比UCR Suite快40倍。
深度剖析
时间序列相似性检索现在可以让比较规则随序列对变化,而不必对所有嵌入对套用同一条固定距离。 此前的学习式DTW近似把每条序列映射为嵌入后,用同一个固定度量比较每一对,通常是欧氏距离,而DTW本身会为每一对选择不同的对齐。 在冻结同一组WESee嵌入、且监督预算相同的条件下,WETW的平均相对误差为0.04,全矩阵静态度量为0.08,欧氏距离为0.24;平均recall@1为0.79,静态度量最高为0.73。
检索流程先用廉价的欧氏距离排序全部库嵌入,再用WETW对最接近的一部分重新打分,最后只对很小的短名单跑精确DTW。 精确方法依赖下界剪枝,但每个通过下界的候选仍需完整DTW计算;在振荡信号上,查询点大多落在候选包络内,下界几乎剪不掉候选。 在八个数据集上,WETW-FV在10%短名单内达到recall@10 0.95,并在每个数据集上都是该召回下最快的过滤器;平均而言,它以最快精确方法的速度达到recall@10 0.93,而同一查询时间下最好的学习基线只有0.59。
启示与展望
评估限定在定长单变量整序列k近邻检索,序列长度256到48K点,库规模2.09万到84万条,使用Sakoe–Chiba DTW与固定分数窗口;查询时间在单CPU线程上测量,NeuralWarp打分因CPU过慢改用A100 GPU。
回归单独训练时平均相对误差已很低,recall@1却只有0.79,说明拟合距离不保证最近邻顺序;在AudioMNIST-DS与FruitFlies上,静态度量检索到最近邻的次数略高于WETW。多变量与变长序列、跨数据集迁移和分布偏移下的表现尚未评估。
