【ICLR2022】时序对齐预测的监督表示学习与少样本序列分类

论文题目：Temporal Alignment Prediction for Supervised Representation Learning and Few-Shot Sequence Classification

作者：苏冰，文继荣；通讯作者：文继荣

论文概述：序列距离通过时间对齐处理具有不同长度和局部方差的序列。大多数序列对齐方法通过在预定义的可行对齐约束下解决优化问题来推断最优对齐，这不仅耗时，而且使端到端序列学习变得难以处理。在本文中，我们提出了一种可学习的序列距离，称为时序对齐预测 (TAP)。TAP 采用轻量级卷积神经网络直接预测两个序列之间的最优对齐方式，因此只需要前向计算，推理过程中不涉及优化。TAP 可以应用于不同的基于距离的机器学习任务。对于有监督的序列表示学习，我们展示了用各种度量学习损失训练的 TAP 以更快的推理速度实现了具有竞争力的性能。对于小样本动作分类，我们将 TAP 作为基于度量学习的episode训练范式中的距离度量。这种简单的策略取得了与最先进的小样本动作识别方法接近的结果。