原型引导分类子任务解耦框架：增强多变量时间序列的泛化性和可解释性
机器学习
2026-05-22 v1 人工智能
摘要
时间序列分类（TSC）是长期以来的研究问题，近年来随着大规模时序数据快速增长而受到越来越多关注。尽管通过深度学习实现了显著进展，但设计既准确又可解释的 TSC 模型仍具有挑战性。许多现有方法采用直接特征到标签的分类范例，通过单一线性投影（通常在全局池化后）将高维时序嵌入压缩为类别 logits，该范例将特征提取和决策逻辑合并为不可分割的映射。为此，我们提出了 PDFTime，一个原型引导框架，将时间序列分类重新定义为多阶段决策过程。与直接特征到标签映射不同，PDFTime 利用学习的原型近似潜在空间中基于类的条件特征分布，enable 通过不同粒度的分类子任务进行渐进式判别。鉴于 PDFTime 是首个将时间序列分类重新定义为解耦、多阶段基于相似性的推理过程的框架，打破了长期基于直接、黑箱特征到标签映射的范式。广泛评估表明，PDFTime 在 UEA 和 UCR 基准测试中实现了 state-of-the-art（SOTA）性能。值得注意的是，它在 UCR archive 中的 128 个数据集中获得 top-1 accuracy 的 80 个，显著优于最近的强基准在一致性和泛化性方面。
引用
@article{arxiv.2605.22055,
title = {Prototype-Guided Classification Sub-Task Decoupling Framework: Enhancing Generalization and Interpretability for Multivariate Time Series},
author = {Xianhao Song and Yuang Zhang and Yuqi She and Liping Wang and Xuemin Lin},
journal= {arXiv preprint arXiv:2605.22055},
year = {2026}
}