Christos Panourgiasら研究者らは11月12日(現地時間)、学術論文公開サイトarXivに論文を公開し、時系列データの類似度探索に新たな距離学習手法「WETW (Weighted Euclidean Time Warping)」を提案した。この手法は、Dynamic Time Warping (DTW) の計算コスト課題に対し、ペアごとの重み付きユークリッド距離を学習することで、検索の効率化と精度向上を図るものだ。
Dynamic Time Warping (DTW) は、時間的にずれた時系列データの類似度を測る標準的な指標であるものの、その計算コストが時系列長の二乗に比例するため、大規模データ集合や長大な時系列データでの検索では速度が課題となっていた。
研究者らは、DTWがペア間で一度アラインメントされると、そのペアに対して選択された座標上のユークリッド距離と見なせるという知見に着目し、WETWを開発した。WETWは、アラインメント計算をせずに、埋め込み表現の各次元とペアごとに重みを予測する小さな対称型ネットワークを用いる。これにより、同じ埋め込み表現を用いた最適な静的距離の誤差を半減させることができたという。
WETWは任意のエンコーダと併用可能だが、今回の論文では特にWESEE (Weighted Euclidean SEries Encoder)と呼ばれるエンコーダからの埋め込み表現を使用。WESEEは、グローバルプーリングが削除するタイミング情報を保持するマルチスケールTemporal Feature Extractorを備え、recall@1を0.90から0.95に向上させている。
研究者らは、DTW距離を単純に回帰で近似するだけでは、最も近い近傍の順序を誤るため探索には不十分だと指摘する。これに対し、ランキング正則化を導入することでrecall@1が0.79から0.95に改善した。提案されたフィルター&検証パイプライン「WETW-FV」は、WETWで候補を絞り込み、正確なDTWでそれらを検証する。これにより、探索は近似的だが、返される全ての距離が正確である。WETW-FVは、8つのデータセットにおいて、UCR Suite、下限、MESSI-DTWの中で最も高速な正確な手法よりも平均で11.4倍高速であり、recall@10で0.93を達成した。一方で、最良の学習ベースラインは同速度で0.59に留まる。48Kポイントの時系列データにおいても、WETW-FVはrecall@10で0.91を維持しつつ、UCR Suiteより40倍高速であった。
参考: arXiv cs.LG (アーカイブ) — 2026年11月16日 14:00 (JST)
原文ハイライト"Learning Pair-Specific Weighted Euclidean Distances for Efficient DTW Search"