重访时间序列分类基准：分类中时序信息的影响
机器学习
2025-07-10 v1 机器学习
摘要
时间序列分类通常被视为与表格数据分类的独立任务，due to 时序信息的重要性。然而，本文通过对UCI时间序列分类档案（UCR Time Series Classification Archive）进行置换测试，以破坏时序信息，我们识别出其中相当比例的数据集在分类中时序信息几乎没有影响。许多这些数据集本质上是表格数据，或主要依赖表格特征，导致针对专注于时序信息的时序分类器进行评估时可能存在偏差。为此，我们提出UCR Augmented，一个基于UCI时间序列分类档案的基准，旨在评估分类器提取和利用时序信息的能力。在该基准上测试来自七个类别的分类器，发现性能排名出现显著变化。一些之前被忽视的方法表现良好，而当时序信息至关重要时，另一些方法的性能会显著下降。UCR Augmented提供了更稳健的框架，用于评估时序分类器，确保更公平的评估。我们的代码已公开于https://github.com/YunruiZhang/Revisit-Time-Series-Classification-Benchmark。
引用
@article{arxiv.2503.20264,
title = {Revisit Time Series Classification Benchmark: The Impact of Temporal Information for Classification},
author = {Yunrui Zhang and Gustavo Batista and Salil S. Kanhere},
journal= {arXiv preprint arXiv:2503.20264},
year = {2025}
}
备注
Accepted to PAKDD2025