预训练预测模型：时间序列分类的强零样本特征提取器
机器学习
2025-10-31 v1
摘要
最近的研究在时间序列基础模型方面主要聚焦于预测，尚不清楚其所学表示的普适性如何。本研究我们检验了冻结预训练预测模型是否为分类提供有效的表示。为此，我们比较了不同的表示提取策略，介绍了两种模型无关的嵌入增强。我们的实验表明，最佳预测模型在分类准确率上可与或超越专为分类预训练的先进模型。此外，我们观察到预测和分类性能之间存在正相关。这挑战了任务特定预训练是必需的假设，表明学习预测可能是构建通用时间序列基础模型的强有力途径。
引用
@article{arxiv.2510.26777,
title = {Pre-trained Forecasting Models: Strong Zero-Shot Feature Extractors for Time Series Classification},
author = {Andreas Auer and Daniel Klotz and Sebastinan Böck and Sepp Hochreiter},
journal= {arXiv preprint arXiv:2510.26777},
year = {2025}
}
备注
NeurIPS 2025 Workshop on Recent Advances in Time Series Foundation Models (BERT2S)