FIC-TSC：基于 Fisher 信息约束的时间序列分类学习
机器学习
2025-05-12 v1
摘要
分析时间序列数据对于经济学、在线市场和人类医疗保健等广泛应用至关重要。特别是，时间序列分类在划分股市不同阶段、预测客户行为以及分类工人动作和投入程度方面扮演着不可或缺的角色。这些方面对现实应用中自动化决策和系统优化的进步贡献显著。然而，普遍认为时间序列数据经常面临训练集与测试集之间的域偏移，这会严重降低分类性能。尽管（可逆）实例归一化在处理时间序列回归任务的域偏移方面取得了成功，但其在分类中的表现并不令人满意。本文提出 FIC-TSC，一个利用 Fisher 信息作为约束的时间序列分类训练框架。我们从理论和实证上证明，这是一种高效且有效的解决方案，能引导模型收敛到更平坦的极小值，从而增强其对分布偏移的泛化能力。我们在 30 个 UEA 多变量和 85 个 UCR 单变量数据集上严格评估了我们的方法。实证结果表明，所提方法优于 14 种最新的最先进方法。
引用
@article{arxiv.2505.06114,
title = {FIC-TSC: Learning Time Series Classification with Fisher Information Constraint},
author = {Xiwen Chen and Wenhui Zhu and Peijie Qiu and Hao Wang and Huayu Li and Zihan Li and Yalin Wang and Aristeidis Sotiras and Abolfazl Razi},
journal= {arXiv preprint arXiv:2505.06114},
year = {2025}
}
备注
Accepted by ICML2025. Pre camera-ready version