Conditional Deep Canonical Time Warping

要約

配列の時間的アライメントは、ローカルな時間シフトを考慮する必要があるコンピューター ビジョンやバイオインフォマティクスなどの多くのアプリケーションにおいて基本的な課題です。
アライメントのずれは、特に高次元シーケンスにおいて、モデルの一般化の低下につながる可能性があります。
既存の手法は、高次元の疎データを扱う場合、最適化に苦労することが多く、整合性が悪くなります。
特徴選択は、スパース データのモデルのパフォーマンスを向上させるためによく使用されます。
ただし、選択された特徴の固定セットは通常、動的に変化するシーケンスには機能せず、シーケンスの状態に基づいて変更する必要があります。
したがって、コンテキスト入力に基づいて選択したフィーチャを変更すると、位置合わせが向上します。
私たちが提案する手法である条件付きディープ正準時間ワーピング (CDCTW) は、これらの課題に対処するために、まばらな時間データの時間的位置合わせを行うように設計されています。
CDCTW は、新しい特徴選択方法でスパース性を処理する最大相関部分空間に埋め込まれたデータに対して動的タイム ワーピングを実行することで、高次元の時間依存ビューの位置合わせ精度を向上させます。
私たちは、さまざまなデータセットに対する広範な実験を通じて CDCTW の有効性を検証し、以前の手法よりも優れたパフォーマンスを実証しています。

要約(オリジナル)

Temporal alignment of sequences is a fundamental challenge in many applications, such as computer vision and bioinformatics, where local time shifting needs to be accounted for. Misalignment can lead to poor model generalization, especially in high-dimensional sequences. Existing methods often struggle with optimization when dealing with high-dimensional sparse data, falling into poor alignments. Feature selection is frequently used to enhance model performance for sparse data. However, a fixed set of selected features would not generally work for dynamically changing sequences and would need to be modified based on the state of the sequence. Therefore, modifying the selected feature based on contextual input would result in better alignment. Our suggested method, Conditional Deep Canonical Temporal Time Warping (CDCTW), is designed for temporal alignment in sparse temporal data to address these challenges. CDCTW enhances alignment accuracy for high dimensional time-dependent views be performing dynamic time warping on data embedded in maximally correlated subspace which handles sparsity with novel feature selection method. We validate the effectiveness of CDCTW through extensive experiments on various datasets, demonstrating superior performance over previous techniques.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google