ShapeCond：基于形状类引导的快速时序数据集压缩

时序数据支持诸多领域（如金融和气候科学），但其快速增长加剧了存储和计算压力。数据集压缩可通过合成保持关键信息的紧凑训练集来缓解这一问题。然而，大多数压缩方法以图像为中心，往往在时序数据上失败，因为它们忽略了时序特有的时序结构，尤其是如形状类等局部判别性图案。在本工作中，我们提出 ShapeCond，这是一种新型且高效的时序分类数据压缩框架，通过形状类引导的优化策略利用形状类数据集知识。我们的形状类辅助合成成本与序列长度无关：更长的序列在合成（例如相较于时序数据压缩的最新方法 CondTSC 提高 29$\times$，或在拥有 3000 个时间步的 Sleep 数据集上相较于直接使用形状类提升最高可达 $10,000\times$）上实现更大速度提升。通过显式保留关键的局部模式，ShapeCond 在下游任务中提高了准确率，并在大量实验中持续超过所有先前的时序数据集压缩领域的最新方法。代码已公开：https://github.com/lunaaa95/ShapeCond。