SPROCKET：将 ROCKET 扩展至基于距离的时间序列转换与原型
机器学习
2025-12-10 v1
摘要
经典时间序列分类算法以特征工程策略为主导。其中最突出的转换方式之一是 ROCKET，通过随机卷积特征实现卓越的性能。我们引入 SPROCKET（Selected Prototype Random Convolutional Kernel Transform），其实现一种基于原型的新型特征工程策略。在大多数 UCR 与 UEA 时间序列分类档案中，SPROCKET 的性能与现有卷积算法相当，新的 MR-HY-SP（MultiROCKET-HYDRA-SPROCKET）集成的平均准确率排名超过了 HYDRA-MR，即前所未有的卷积集成最佳性能。这些实验结果表明，原型基准的特征转换可提升时间序列分类的准确性和鲁棒性。
引用
@article{arxiv.2512.08246,
title = {SPROCKET: Extending ROCKET to Distance-Based Time-Series Transformations With Prototypes},
author = {Nicholas Harner},
journal= {arXiv preprint arXiv:2512.08246},
year = {2025}
}
备注
63 Pages, 28 in main body with 3 appendices for supplemental figures