Evo-TFS：基于演化时频域的合成少数类过采样方法用于不平衡时间序列分类
机器学习
2026-01-06 v1 神经与进化计算
摘要
时间序列分类是一种具有广泛实际应用的基本机器学习任务。虽然许多深度学习方法在学习用于分类的时间序列数据方面已被证明有效，但这些方法是在假设数据分布平衡的前提下开发的。一旦数据分布不均衡，这些方法就会忽略通常具有更高实际意义的少数类。过采样方法旨在通过生成少数类样本来解决这一问题，但其对线性插值方法的依赖往往会阻碍保持时间动态特性和生成多样化样本的能力。因此，本文提出了 Evo-TFS，这是一种集成时域和频域特征的演化过采样方法。在 Evo-TFS 中，采用强类型遗传编程来演化多样化的高质量时间序列，同时引入包含时域和频域特征的适应函数以引导演化。在不平衡时间序列数据集上的实验表明，Evo-TFS 在现有过采样方法中表现出色，显著提升了时域和频域分类器的性能。
引用
@article{arxiv.2601.01150,
title = {Evo-TFS: Evolutionary Time-Frequency Domain-Based Synthetic Minority Oversampling Approach to Imbalanced Time Series Classification},
author = {Wenbin Pei and Ruohao Dai and Bing Xue and Mengjie Zhang and Qiang Zhang and Yiu-Ming Cheung},
journal= {arXiv preprint arXiv:2601.01150},
year = {2026}
}