通过多样性驱动的神经网络集成提升时间序列分类
机器学习
2026-02-10 v1
摘要
集成方法在通过利用单个模型所学习特征的多样性，在各种机器学习任务中发挥着关键作用，实现最先进（SOTA）性能。 在时间序列分类（TSC）中，集成方法无论基于神经网络（NN）还是基于 HIVE-COTE 等传统方法，都证明效果极佳。然而，大多数现有的 NN 基于集成方法为 TSC 训练多个具有相同架构和配置的模型。这些集成在预测聚合时未明确促进多样性，往往导致冗余的特征表示，限制了集成的优势。在本工作中，我们引入一种多样性驱动的集成学习框架，显式鼓励神经网络集成成员之间的特征多样性。我们的 метод采用应用于所学习特征表示的反相关学习策略，确保集成中的每个模型捕获的是互补而非冗余的信息。我们在 UCR 数据集档案中的 128 个数据集上进行评估，展示其以更少的模型实现 SOTA 性能。相较于传统的 NN 基于集成方法，本方法在效率和可扩展性方面具有优势。
引用
@article{arxiv.2602.07579,
title = {Enhancing Time Series Classification with Diversity-Driven Neural Network Ensembles},
author = {Javidan Abdullayev and Maxime Devanne and Cyril Meyer and Ali Ismail-Fawaz and Jonathan Weber and Germain Forestier},
journal= {arXiv preprint arXiv:2602.07579},
year = {2026}
}
备注
Published in IEEE IJCNN 2025 proceedings. 10 pages, 8 figures