回归基础：对现代时间序列分类算法的合理性检验
机器学习
2023-08-16 v1
摘要
时间序列分类的最先进技术已经取得了长足进步，从1NN-DTW算法发展到ROCKET系列分类器。然而，在当前新分类器快速迭代的发展中，退一步进行简单基线检验至关重要。这些检验常被忽视，因为研究者专注于确立新的最先进结果、开发可扩展算法以及使模型可解释。尽管如此，许多数据集初看像时间序列，但诸如无序表格方法等经典算法在此类问题上可能表现更好。例如，对于光谱数据集，表格方法往往显著优于近期时间序列方法。在本研究中，我们将使用经典机器学习方法（如Ridge、LDA、RandomForest）的表格模型与ROCKET系列分类器（如Rocket、MiniRocket、MultiRocket）的性能进行比较。表格模型简单且高效，而ROCKET系列分类器更为复杂，在近期时间序列分类器中具有最先进的准确率和效率。我们发现，在UCR/UEA基准中约19%的单变量和28%的多变量数据集上，表格模型优于ROCKET系列分类器，并在约50%的数据集上达到10个百分点以内的准确率。我们的结果表明，在开发时间序列分类器时，将简单表格模型作为基线考虑十分重要。这些模型非常快速，可媲美更复杂的方法，且可能更易于理解和部署。
引用
@article{arxiv.2308.07886,
title = {Back to Basics: A Sanity Check on Modern Time Series Classification Algorithms},
author = {Bhaskar Dhariyal and Thach Le Nguyen and Georgiana Ifrim},
journal= {arXiv preprint arXiv:2308.07886},
year = {2023}
}