MSTAR：用于时间序列分类的多尺度骨干架构搜索
计算机视觉与模式识别
2024-02-22 v1
摘要
大多数以往的时间序列分类 (TSC) 方法强调了感受野和频率的重要性，却忽略了时间分辨率。因此，由于将广泛的感受野集成到分类模型中，这些方法不可避免地遭受可扩展性问题。其他方法虽然更好地适应了大型数据集，但需要人工设计，且由于每个数据集的独特性而无法达到最优架构。我们通过提出一种新颖的多尺度搜索空间和神经架构搜索 (NAS) 框架来克服这些挑战，该框架同时解决了频率和时间分辨率问题，为特定数据集发现合适的尺度。我们进一步表明，我们的模型可作为骨干网络，以部署具有未训练权重和预训练权重的强大 Transformer 模块。我们的搜索空间在四个不同领域的四个数据集上达到了最先进 (SOTA) 的性能，同时为每个数据引入了十多个高度微调的模型。
引用
@article{arxiv.2402.13822,
title = {MSTAR: Multi-Scale Backbone Architecture Search for Timeseries Classification},
author = {Tue M. Cao and Nhat H. Tran and Hieu H. Pham and Hung T. Nguyen and Le P. Nguyen},
journal= {arXiv preprint arXiv:2402.13822},
year = {2024}
}