MRMS-Net 与 LMRMS-Net：面向时间序列分类的可扩展多表征多尺度网络
机器学习
2026-03-26 v2
摘要
时间序列分类 (TSC) 的性能不仅取决于网络架构设计，还取决于输入表征的多样性。本文提出一种可扩展的多尺度卷积框架，系统性地整合结构化的多表征输入以处理单变量时间序列。我们引入两种架构：MRMS-Net 是一种针对鲁棒性和校准性优化的层次化多尺度卷积网络；LMRMS-Net 是一种为效率感知部署设计的轻量级变体。此外，我们将原为多变量输入而开发的 LiteMV 适配到多表征单变量信号上，实现跨表征的相互作用。我们在统一的实验协议下，对所有模型在 142 个基准数据集上进行评估。关键差异 (CD) 分析确认了顶级模型之间统计显著的性能差异。结果表明，LiteMV 实现了最高的平均准确率，MRMS-Net 在概率校准方面表现优异（最低负对数似然），LMRMS-Net 在效率-准确率权衡方面最佳。进一步的帕累托分析进一步表明，多表征多尺度建模为灵活的设计空间提供了可调选项，可针对准确率导向、校准导向或资源受限的场景进行优化。这些发现确立了可扩展的多表征多尺度学习作为现代 TSC 的原则性且实用的方法。MRMS-Net 和 LMRMS-Net 的参考实现已公开：https://github.com/alagoz/mrmsnet-tsc
引用
@article{arxiv.2603.19315,
title = {MRMS-Net and LMRMS-Net: Scalable Multi-Representation Multi-Scale Networks for Time Series Classification},
author = {Celal Alagöz and Mehmet Kurnaz and Farhan Aadil},
journal= {arXiv preprint arXiv:2603.19315},
year = {2026}
}