CUROCKET：面向GPU的ROCKET优化
机器学习
2026-01-27 v1 人工智能
摘要
ROCKET（RandOm Convolutional KErnel Transform）是一种为时间序列分类（TSC）创建的特征提取算法，于2019年发表。它对时间序列应用随机生成的卷积核进行卷积，生成可用于训练线性分类器或回归器（如Ridge）的特征。在该方法发表时，ROCKET在TSC方面的准确率与最先进算法持平，同时计算复杂度显著降低，使ROCKET成为TSC的有力选择。这也导致了后续多个版本的ROCKET，进一步提高了准确率和计算效率。目前可用的ROCKET实现大多受限于CPU上的执行。然而，卷积是高度可并行化的任务，因而适合在GPU上执行，从而显著加快计算速度。一个关键难点在于ROCKET使用的非均匀卷积核，使得标准的GPU卷积方法效率不高。在本工作中，我们提出一种能够高效在GPU上执行ROCKET的算法，实现了相较于CPU上ROCKET的最高可达11倍的能耗效率。
引用
@article{arxiv.2601.17091,
title = {CUROCKET: Optimizing ROCKET for GPU},
author = {Ole Stüven and Keno Moenck and Thorsten Schüppstuhl},
journal= {arXiv preprint arXiv:2601.17091},
year = {2026}
}