arXiv研究提出WETW学习型DTW搜索距离
热点事件持续更新
arXiv研究提出WETW学习型DTW搜索距离
1 篇报道1 个报道来源4 小时前更新
先了解这件事
AI 综述
Christos Panourgias 等在 arXiv 论文中提出 WETW(加权欧氏时间规整),用小型对称网络为每对时间序列的固定长度嵌入逐维预测权重,使误差比同一嵌入上最优静态距离减半。 配套的 WETW-FV 检索管线先用 WETW 生成候选短名单,再用精确 DTW 核验,因此搜索是近似的但返回的每条距离都是精确值。论文称在八个数据集上,WETW-FV 比 UCR Suite、下界方法和 MESSI-DTW 中最快的精确方法快 11.4 倍,平均 recall@10 为 0.93。
AI 根据报道生成 · 3 小时前更新
最新进展11月16日 13:00
WETW:学习配对特定的加权欧氏距离以加速 DTW 相似搜索报道时间线
沿着报道,了解事件的不同侧面。
11月16日
- arXiv cs.AIWETW:学习配对特定的加权欧氏距离以加速 DTW 相似搜索
一项 arXiv 研究提出 WETW(Weighted Euclidean Time Warping),通过小型对称网络为每对时间序列的固定长度嵌入逐维预测权重,使误差比同嵌入上最优静态距离减半。
本事件热度走势
- 可比范围当前
- 9
- 可比范围峰值
- 1011月16日 14:00
- 近 24 小时变化
- –
02.557.510
14:0015:0016:00
趋势仅比较持续完整观测到的相同主体,范围可能小于当前热度统计。移动指针或点击图表查看每小时热度;键盘可用左右方向键切换。