論文の概要: WETW: Learning Pair-Specific Weighted Euclidean Distances for Efficient DTW Search
- arxiv url: http://arxiv.org/abs/2611.17412v1
- Date: Thu, 12 Nov 2026 19:00:03 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-16 18:43:16.242312
- Title: WETW: Learning Pair-Specific Weighted Euclidean Distances for Efficient DTW Search
- Title(参考訳): WETW:効率的なDTW探索のためのペア比重ユークリッド距離の学習
- Abstract要約: 重み付きユークリッド時間ウォーピング(Weighted Euclidean Time Warping、WETW)は、固定長埋め込みの比較を各ペアに適応させる学習距離である。
We show WETW is 11.4x faster than the fastest exact method of the UCR Suite, lower bounds and MESSI-DTW at a mean recall@10 of 0.93。
我々のフィルタと検証パイプラインであるWETW-FVは、WETWを使ってショートリストと正確なDTWを構築し、それをチェックする。
- 参考スコア(独自算出の注目度): 7.682298843855436
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Dynamic Time Warping (DTW) is the standard distance for similarity search over time series that are misaligned in time, but its cost is quadratic in the series length and lower bounds often prune few candidates, so search over large collections of long series is slow. Learned approximations embed the series to make comparisons cheap, yet compare every pair with the same fixed rule, usually the Euclidean distance, although DTW aligns each pair differently. We observe that, once a pair is aligned, DTW is a Euclidean distance over coordinates selected for that pair. Building on this view, we propose Weighted Euclidean Time Warping (WETW), a learned distance that adapts the comparison of fixed-length embeddings to each pair. A small symmetric network predicts one weight per embedding di- mension and pair without computing an alignment, which halves the error of the best static distance on the same embeddings. The embeddings come from the Weighted Euclidean SEries Encoder (WESEE), whose multi-scale Temporal Feature Extractor keeps the timing information that global pooling removes and raises recall@1 from 0.90 to 0.95, although WETW works with any encoder. We also show that fitting DTW distances is not enough for search, as regression alone misorders the closest neighbours, and that ranking regularization raises recall@1 from 0.79 to 0.95. Our filter-and-verify pipeline, WETW-FV, uses WETW to build a shortlist and exact DTW to check it, so the search is approximate but every returned distance is exact. Over eight datasets, WETW-FV is 11.4x faster than the fastest exact method among the UCR Suite, lower bounds and MESSI-DTW, at a mean recall@10 of 0.93, while the best learned baseline reaches 0.59 at the same speed. On 48K-point series, WETW- FV remains 40x faster than the UCR Suite at a recall@10 of 0.91.
- Abstract(参考訳): 動的時間ウォーピング (DTW) は、時系列上の類似性探索の標準距離であるが、そのコストはシリーズの長さが2次であり、下位境界はしばしば少数の候補を産み出すので、長いシリーズのコレクションの探索は遅い。
学習された近似はこの系列を埋め込み、比較を安くするが、すべてのペアを同じ固定規則(通常ユークリッド距離)で比較する。
ペアが整列すると、DTWはそのペアの選択した座標上のユークリッド距離となる。
この観点から,固定長埋め込みの比較に適応した学習距離であるWeighted Euclidean Time Warping (WETW)を提案する。
小さな対称ネットワークは、埋め込みダイメンションとペアのアライメントを計算せずに1つの重みを予測し、同じ埋め込み上で最高の静的距離の誤差を半減させる。
埋め込みはWeighted Euclidean SEries Encoder (WESEE)から来ており、WETWは任意のエンコーダで動作するが、マルチスケールのテンポラル・フィーチャー・エクストラクタはグローバルプールが削除しリコール@1を0.90から0.95に引き上げるタイミング情報を保持している。
また、DTW距離の調整だけでは検索には不十分であることが示され、回帰だけでは最も近い隣人の注文を間違えており、ランキング正則化はリコール@1を0.79から0.95に引き上げている。
我々のフィルタと検証パイプラインであるWETW-FVは、WETWを使ってショートリストと正確なDTWを構築し、それをチェックする。
8つのデータセットで、WETW-FVは、UCRスイート、下位境界、MESSI-DTWの中で最速の正確なメソッドよりも11.4倍高速で、平均リコール@10の0.93で、最高の学習ベースラインは同じ速度で0.59に達する。
48Kポイントのシリーズでは、WETW-FVはUCR Suiteの0.91のリコール@10で40倍速い。
関連論文リスト
- QFacePlacement: From Arbitrary Tensorization to Semantic Spatial Correspondence in Modern Face Verification [3.1527927520775396]
量子インスパイアされたコンピュータビジョンは、しばしば高次元の特徴をテンソルに再認識し、テンソルネットワークモデルを適用する。
2つの制御されたインタフェースを通してモデル配置を研究する。
Dense RidgeとProcrustesのマッピングは引き続き強力であり、決定論的TT-SVDとMPO圧縮は、基底変化や低ランク残差を伴っても性能が劣る。
論文 参考訳(メタデータ) (2026-11-02T04:27:34Z) - Turing LLM Post-Training: Calibrated Distillation and Efficient Dynamic-MoE Execution [48.87945011066967]
本研究では, 動的経路混合(MoE)モデルのポストトレーニングについて検討し, コンソリデーション効率を維持しつつ, 独立的に最適化されたスペシャリストの統合に着目した。
提案手法は,教師が選択したTop-$K$サポートと教師の損失正規化とクリッピングを併用した校正型多目的蒸留(C-MOPD)と,ポストキャパシティ境界幅ディスパッチ,終局リプレイ,非同期ロールアウト-トレーニングオーバーラップを用いた実行パスを組み合わせたものである。
論文 参考訳(メタデータ) (2026-10-29T11:52:20Z) - CADENCE: A Confidence-Adaptive Dual-Expert Network for Fast and Accurate Time Series Classification [0.0]
CADENCEは、時系列分類のためのCPUネイティブなデュアルエキスパートアーキテクチャである。
109の同じ長さのUCCアーカイブデータセットに対して0.8864の精度を実現している。
HIVE-COTE 2.0の差を0.31ポイントまで縮め、データセットあたり平均17.53秒しか取らない。
論文 参考訳(メタデータ) (2026-09-28T14:05:10Z) - One Patch, Three Roles: What Is Actually Coupled in Autoregressive Time-Series Forecasting? [49.84472730204669]
凍結した親の軌道は, 軽量な平行出口で観測される未来よりも適合しやすいことを示す。
また、列車選択した周期的歴史方向に沿って補正可能な残射も見出す。
Tangentはこの修正を、ニューラルパラメータやTransformerコールを追加せずに適用する。
論文 参考訳(メタデータ) (2026-09-20T14:54:35Z) - Zoom Consistency: A Free Confidence Signal in Multi-Step Visual Grounding Pipelines [0.880899367147235]
マルチステップズームインパイプラインはGUIグラウンディングに広く利用されている。
中間出力は、無償で有用な信頼信号: ズーム一貫性を含む。
理想化条件下でのステップ1空間誤差の線形推定器であることを示す。
論文 参考訳(メタデータ) (2026-04-15T20:47:08Z) - Robust Multi-Object Tracking by Marginal Inference [92.48078680697311]
ビデオにおける多目的追跡は、隣接するフレーム内のオブジェクト間の1対1の割り当てに関する根本的な問題を解決する必要がある。
本稿では,各オブジェクトの限界確率をリアルタイムに計算する効率的な手法を提案する。
MOT17とMOT20ベンチマークで競合する結果を得る。
論文 参考訳(メタデータ) (2022-08-07T14:04:45Z) - Rapid Person Re-Identification via Sub-space Consistency Regularization [51.76876061721556]
Person Re-Identification (ReID) は、歩行者を分離したカメラで識別する。
実値特徴記述子を用いた既存のReID法は精度が高いが、ユークリッド距離計算が遅いため効率が低い。
本稿では,ReID 処理を 0.25 倍高速化するサブスペース一貫性規則化 (SCR) アルゴリズムを提案する。
論文 参考訳(メタデータ) (2022-07-13T02:44:05Z) - DTWSSE: Data Augmentation with a Siamese Encoder for Time Series [8.019203034348083]
本稿では,DTWSSE という名前のサイムズエンコーダを用いた DTW に基づく合成マイノリティオーバーサンプリング手法を提案する。
時系列の距離を合理的に測定するために、有効な方法として検証されたDTWを距離計量として用いる。
エンコーダは、DTW隠れ空間からユークリッド深い特徴空間に時系列データをマッピングするニューラルネットワークであり、デコーダを使用して、深い特徴空間をDTW隠れ空間にマッピングする。
論文 参考訳(メタデータ) (2021-08-23T01:46:24Z) - DeepSeqSLAM: A Trainable CNN+RNN for Joint Global Description and
Sequence-based Place Recognition [23.54696982881734]
経路の1つの画像列から視覚的および位置的表現を共同学習するための訓練可能なCNN+NNアーキテクチャであるDeepSeqSLAMを提案する。
我々は、NorlandとOxford RobotCarという2つの大きなベンチマークデータセットに対するアプローチを実証する。
私たちのアプローチでは、Delta Descriptorsの27% AUCとSeqSLAMの2% AUCと比較して72% AUCを越えられます。
論文 参考訳(メタデータ) (2020-11-17T09:14:02Z) - Boosting Continuous Sign Language Recognition via Cross Modality
Augmentation [135.30357113518127]
連続手話認識は不整合のビデオテキストペアを扱う。
クロスモーダル拡張を用いた新しいアーキテクチャを提案する。
提案するフレームワークは、既存のCTCベースの連続SLRアーキテクチャに容易に拡張できる。
論文 参考訳(メタデータ) (2020-10-11T15:07:50Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。