面向可持续时间序列分类的剪枝扩展与效率权衡
机器学习
2026-04-10 v1 人工智能
摘要
时间序列分类（TSC）使重要用例成为可能，但尚未对模型、数据集和硬件之间的性能权衡进行统一理解。虽然资源意识在该领域不断增长，但 TSC 方法尚未针对能源效率进行严格评估。本文引入一种整合评估框架，显式探索预测性能与资源消耗在 TSC 之间的平衡。为提高效率，我们将一种理论上受限的剪枝策略应用于领先的混合分类器——Hydra 和 Quant，并提出一种新型可裁剪的两者组合——Hydrant。在超过 4000 个实验配置、20 个 MONSTER 数据集、13 种方法和三个计算环境下，我们系统分析了模型设计、超参数和硬件选择如何影响实际 TSC 性能。我们的结果表明，剪枝可通过最高达 80% 显著减少能源消耗，同时保持具竞争力的预测质量，通常只损失约 5% 的准确率。所提出的方法、实验结果及其附带软件推动 TSC 向可持续和可重复的实践方向发展。
引用
@article{arxiv.2604.07953,
title = {Pruning Extensions and Efficiency Trade-Offs for Sustainable Time Series Classification},
author = {Raphael Fischer and Angus Dempster and Sebastian Buschjäger and Matthias Jakobs and Urav Maniar and Geoffrey I. Webb},
journal= {arXiv preprint arXiv:2604.07953},
year = {2026}
}