MantisV2：通过合成数据和测试时策略缩小时间序列分类的零样本差距
机器学习
2026-02-23 v1 人工智能
摘要
为时间序列分类开发基础模型具有高度的实际意义，因为此类模型可作为多样化下游任务的通用特征提取器。虽然早期模型如 Mantis 已显示了这种方法的潜力，但冻结编码器与微调编码器之间仍存在显著的性能差距。本文引入了显著强化零样本特征提取的方法。首先，我们引入 Mantis+，这是一种完全基于合成时间序列预训练的 Mantis 变体。其次，通过受控消融研究，我们改进了模型架构，得到更轻量级的 MantisV2。第三，我们提出了增强的测试时方法，该方法利用中间层表示并细化输出标记的聚合。在此基础上，我们还展示了通过自集成和跨模型嵌入融合可进一步提升性能。在 UCR、UEA、人类活动识别 (HAR) 基准测试以及 EEG 数据集上的大量实验表明，MantisV2 和 Mantis+ 在各类基准测试上一致优于先前的时间序列基础模型，实现了零样本性能的 SOTA。
引用
@article{arxiv.2602.17868,
title = {MantisV2: Closing the Zero-Shot Gap in Time Series Classification with Synthetic Data and Test-Time Strategies},
author = {Vasilii Feofanov and Songkang Wen and Jianfeng Zhang and Lujia Pan and Ievgen Redko},
journal= {arXiv preprint arXiv:2602.17868},
year = {2026}
}