面向时间序列分类的统一形状感知基础模型
机器学习
2026-01-13 v1 机器学习
摘要
大规模源数据集上的基础模型预训练正在重塑时间序列分类的传统训练范式。然而，现有时间序列基础模型主要关注预测任务，常常忽视分类特定挑战，例如建模可解释的形状块（shapelet），以捕获判别性时序特征。为弥合这一差距，我们提出 UniShape，一个为时间序列分类设计的统一形状感知基础模型。UniShape 包含形状感知适配器，通过自适应聚合多尺度判别性子序列（形状）到 class token，有效选择最相关的子序列尺度以增强模型可解释性。同时，引入原型基预训练模块，以实现实例级和形状级表示的联合学习，使模型能够捕获可迁移的形状模式。在由 189 万样本组成的大规模多域时间序列数据集上预训练，UniShape 在 diverse target domains 上展现出优异的泛化能力。在 128 个 UCR 数据集和 30 个额外时间序列数据集上的实验表明，UniShape 实现了分类性能的 SOTA，且可解释性和消融分析进一步验证了其有效性。
引用
@article{arxiv.2601.06429,
title = {A Unified Shape-Aware Foundation Model for Time Series Classification},
author = {Zhen Liu and Yucheng Wang and Boyuan Li and Junhao Zheng and Emadeldeen Eldele and Min Wu and Qianli Ma},
journal= {arXiv preprint arXiv:2601.06429},
year = {2026}
}
备注
Accepted in AAAI 2026