基于自适应法则变换（ALT）的轻量级特征表示用于时间序列分类
机器学习
2026-02-06 v1 人工智能
计算机视觉与模式识别
机器学习
摘要
时间序列分类（TSC）是金融、医疗保健和环境监测等众多领域的基础问题。然而，传统的TSC方法往往难以应对时间序列数据固有的复杂性和变异性。建立在我们之前使用线性法则变换（LLT）——通过基于关键数据模式的特征空间变换来提高分类准确率——的工作基础上，我们引入自适应法则变换（ALT）。ALT通过纳入可变长度偏移时间窗口，增强了LLT，以捕获各种长度的区分性模式，从而更有效地处理复杂的时间序列。通过将特征映射到线性可分离空间，ALT提供了一个快速、稳健且透明的解决方案，仅需少量超参数即可实现最先进的性能。
引用
@article{arxiv.2501.09217,
title = {Adaptive Law-Based Transformation (ALT): A Lightweight Feature Representation for Time Series Classification},
author = {Marcell T. Kurbucz and Balázs Hajós and Balázs P. Halmos and Vince Á. Molnár and Antal Jakovác},
journal= {arXiv preprint arXiv:2501.09217},
year = {2026}
}
备注
8 pages, 1 figure, 5 tables