본 논문은 시계열 분류에서 신경망의 우수한 성능에도 불구하고, 데이터 부족 환경(cold-start)과 해석성 부족 문제를 해결하기 위해, 제한된 데이터 환경에서 효과적이고 해석 가능한 동적 시간 왜곡(DTW) 기반의 Nearest Neighbor 분류기를 개선하는 것을 목표로 한다. DTW의 재귀 관계를 등가의 순환 신경망으로 재구성하는 새로운 동적 길이 단축 알고리즘을 제안하여, DTW의 정렬 행동을 모방하는 훈련 가능한 모델을 구축한다. 이 모델은 데이터 부족 환경에서는 DTW의 장점을 유지하면서, 데이터가 풍부한 환경에서는 신경망처럼 훈련이 가능하여 다양한 상황에 적용 가능하다. 여러 시계열 분류 작업에 적용한 결과, 저자원 환경에서 기존 방법보다 성능이 우수하고, 고자원 환경에서도 경쟁력 있는 성능을 보였다.
