MIHT：用于时间序列分类的基于多个实例学习的 Hoeffding 树
机器学习
2026-03-24 v1
摘要
由于时序数据及其内在依赖在众多现实问题中占据主导地位，时间序列分类在各个领域都至关重要。然而，现有模型往往难以处理长度可变或高维度的时间序列。本文引入了 MIHT（Multi-instance Hoeffding Tree）算法，这是一种高效模型，利用多实例学习对多变量且长度可变的时间序列进行分类，同时提供可解释的结果。该算法将时间序列新颖地表示为“子系列包”，并基于增量决策树构建优化过程，以区分序列中与噪声相关的部分。该方法从多个变量和长度可变的序列中提取潜在概念。生成的决策树是序列概念的紧凑、白盒表示，提供了对序列中最相关变量和片段的可解释性洞察。实验结果表明，MIHT 在 28 个公共数据集上均优于 11 个最新的时间序列分类模型，包括高维数据集。MIHT 在准确率和可解释性方面均取得显著提升，为处理复杂、动态的时间序列数据提供了有前景的解决方案。
引用
@article{arxiv.2603.22074,
title = {MIHT: A Hoeffding Tree for Time Series Classification using Multiple Instance Learning},
author = {Aurora Esteban and Amelia Zafra and Sebastián Ventura},
journal= {arXiv preprint arXiv:2603.22074},
year = {2026}
}