基于哈达德-矢量内积变换的 ROCKET 变体——HIT-ROCKET
机器学习
2025-11-04 v1 人工智能
摘要
时间序列分类在通信、信息反制、金融和医疗等领域具有广泛的应用价值。然而，基于 HIVE-COTE、Proximity Forest 和 TS-CHIEF 的最新方法（SOTA）存在高计算复杂度、参数调优和训练周期长的问题。相比之下，轻量级解决方案如 ROCKET（Random Convolutional Kernel Transform）更具效率优势，但在核选取和计算开销方面仍有提升空间。为此，我们提出一种基于哈达德卷积变换的特征提取方法，利用哈达德矩阵的行或列向量作为具有不同长度的卷积核。该方法在保持与现有方法（如 ROCKET）完全兼容的同时，利用核正交性提升计算效率、鲁棒性和适应性。在以 UCR 时间序列数据集为主的多领域数据集上的全面实验表明，HIT-ROCKET 实现了SOTA性能：F1 分数相较于 ROCKET 提升至少5%，在相同超参数下，训练时间比 miniROCKET（ROCKET 中最快的变体）缩短50%，使其可部署于低功耗嵌入式设备。所有代码已在 GitHub 上开放。
引用
@article{arxiv.2511.01572,
title = {HIT-ROCKET: Hadamard-vector Inner-product Transformer for ROCKET},
author = {Wang Hao and Kuang Zhang and Hou Chengyu and Yuan Zhonghao and Tan Chenxing and Fu Weifeng and Zhu Yangying},
journal= {arXiv preprint arXiv:2511.01572},
year = {2025}
}