本文研究了神经缩放定律，揭示了在无限宽度的两层神经网络中，数据与模型大小之间的关系大致呈线性。探讨了参数稀疏性对Transformer模型的影响，提出了描述权重稀疏性与训练数据量关系的扩展定律，并验证了最佳稀疏度的概念。此外，分析了最近邻分类器的缩放定律，指出数据分布对泛化误差的影响。

本文提出了一种名为shapeDTW的改进算法，用于解决全局DTW算法匹配不合理的问题。该算法通过点对点的局部结构信息提高匹配的精度，并在最近邻分类器中的应用中表现出显著优势。在84个UCR时间序列数据集中，shapeDTW在64个数据集上优于DTW，并通过使用适当设计的局部结构描述符，在18个数据集上将准确率提高了10%以上。

本文提出了一种名为shapeDTW的改进算法，通过点对点的局部结构信息提高匹配精度。在最近邻分类器中使用该算法作为距离度量，能够在84个UCR时间序列数据集的64个上显著优于DTW，并且在18个数据集上将准确率提高了10%以上。

本文提出了一种名为shapeDTW的改进算法，通过点对点的局部结构信息来提高匹配的精度。在最近邻分类器中使用该算法作为距离度量，可以在84个UCR时间序列数据集的64个上显著优于DTW，并且在18个数据集上将准确率提高了10%以上。